利用公开可用的自然视频学习动态磁共振图像重建

Nov, 2023

利用公开可用的自然视频学习动态磁共振图像重建

Investigating the use of publicly available natural videos to learn Dynamic MR image reconstruction

Olivier Jaubert, Michele Pascale, Javier Montalt-Tordera, Julius Akesson, Ruta Virsinskaite...

TL;DR开发和评估一种深度学习管道，从公开可用的自然视频（Inter4K）中学习动态 MR 图像重建。

Abstract

Purpose: To develop and assess a deep learning (DL) pipeline to learn dynamic MR image reconstruction from publicly available natural videos (Inter4K). Materials and Methods: Learning was performed for a range of

real-time dynamic mri deep learning image reconstruction machine learning

发现论文，激发创造

用深度级联卷积神经网络重建动态磁共振成像

通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

Apr, 2017

基于深度学习的术中磁共振图像重建

通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

Jan, 2024

自适应动态亚采样与重建用于心脏 MRI 的端到端方法

通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络，提高了重建质量。

Mar, 2024

深层级卷积神经网络级联重建 MR 图像

通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

Mar, 2017

基于时间的深度图像先验用于动态磁共振成像

本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

Oct, 2019

实时自由呼吸心脏磁共振成像的深度学习分割评估

深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

Nov, 2023

基于 ADMM 的深度心脏 MRI 重建

心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

Oct, 2023

基于运动信息的脑 MR 图像重建深度学习框架

本文提出一种新的方法，通过将动态模块集成到基于深度学习的 MRI 重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。

May, 2024

基于深度学习的加速 MR 胆胰管成像重建

本研究使用基于深度学习的重建方法加速了 3T 和 0.55T 的 MRCP 采集，通过评估峰值信噪比和结构相似度等指标，证明了该方法在减少采集时间的同时保持了图像质量。

May, 2024

基于卷积网络辅助重建 Swin Transformer 的动态 MRI 重建学习

提出了一种名为 Reconstruction Swin Transformer (RST) 的新型架构，用于 4D MRI 重建，该架构继承了视频 Swin Transformer 的骨干设计，并引入了新的重建头部来恢复像素级强度，通过在卡片 4D MR 数据集中的实验结果进一步证实了 RST 的优越性。

Sep, 2023