深度学习作为核磁共振信号反演的方法

Nov, 2023

深度学习作为核磁共振信号反演的方法

Deep Learning as a Method for Inversion of NMR Signals

Julian B. B. Beckmann, Mick D. Mantle, Andrew J. Sederman, Lynn F. Gladden

TL;DR深度学习用于 NMR 信号反演，通过卷积神经网络将 NMR 信号反演看作图像到图像的回归问题，与 Tikhonov 和 MTGV 等正则化技术相比，深度学习具有明显的效率和易用性优势，因为在重建之前不需要进行超参数选择。通过对模拟 NMR 信号进行反演并与 Tikhonov 和 MTGV 正则化进行比较，结果显示深度学习的反演速度显著快于后两种正则化方法，并在几乎所有情况下优于这两种正则化技术。

Abstract

The concept of deep learning is employed for the inversion of nmr signals and it is shown that NMR signal inversion can be considered as an image-to-image regression problem, which can be treated with a

deep learning nmr signals image-to-image regression convolutional neural net regularization techniques

发现论文，激发创造

NMR 相关和交流实验的子采样

深度学习在完全或接近完全采样的情况下比正则化方法更有效，然而在明显子采样信号的情况下，正则化优于深度学习，其中 MTGV 优于 Tikhonov 正则化。

Dec, 2023

深度学习与反问题

这篇论文主要研究了机器学习和深度学习在逆问题中的应用，特别关注了神经网络和卷积神经网络的使用。

Sep, 2023

成像中逆问题的深度学习技术

探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

May, 2020

基于深度学习的 Radon 反演

本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

Aug, 2018

逆问题的深度分解学习

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

成像反问题的模型适应

探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。

Nov, 2020

使用深度神经网络解决反问题 -- 鲁棒性是否包含？

本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

Nov, 2020

深度学习方法用于平行磁共振图像重建

介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

Apr, 2019

深度学习方法解决线性反问题：研究方向和范式

本文综述了近年来深度学习在解决线性反问题方面的最新进展，包括其在不同领域中的应用、结构化神经网络的设计以及面临的挑战和未来方向。

Jul, 2020

基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法，该方法具有较高的可解释性、易于训练，适合于在医学中的应用，具有 MRI 成像参数估计等方面的应用潜力。

Jul, 2021