Dec, 2023

DiffCMR: 快速心脏 MRI 重建与扩散概率模型

PDF
TL;DR本研究提出了一种基于条件去噪扩散概率模型的新型磁共振成像 (MRI) 图像去噪框架 DiffCMR，通过感知来自欠采样 MRI 图像切片的条件信号，并生成相应的全采样 MRI 图像切片。经过多轮合成策略的推断，验证了 DiffCMR 在 MICCAI 2023 心脏 MRI 重建挑战数据集上的心动影像重建和 T1/T2 映射任务，并显示出超越先前方法的最先进性能。
发现论文，激发创造
  • 高加速心脏 Cine MRI 的临床可行扩散重建

    我们旨在开发一种临床可行的基于扩散模型的重建流水线，以改善心脏磁共振成像的图像质量。通过使用多输入多输出的扩散增强模型和快速推理策略，扩散重建减少了临床数据中前瞻性欠采样引起的空间和时间模糊，并得到专家检查的验证。每个视频处理仅需 1.5 秒的时间，使该方法能够在临床场景中应用。

    Mar, 2024

  • CDiffMR: 能否替代高斯噪声，采用 K - 空间欠采样进行快速磁共振成像？

    本研究提出了一种名为 CDiffMR 的 MRI 重建方法，利用深度学习中的冷扩散卷积神经网络 (Cold Diffusion-based MRI Reconstruction) 和 k 空间下采样技术，以及合理的初始化和数据一致性条件策略，能够显著加快 MRI 重建速度，并且获得与现有最先进模型可比甚至更好的重建效果。

    Jun, 2023

  • 用于扩散张量心脏 MRI 重建的随机深度压缩感知

    本文介绍了一种新的基于卷积神经网络的压缩感知技术，可以用于改善手段单一、等待时间长的 DT-CMR 采集方式的缺陷，从而更加准确地了解心脏的微观结构和组织，并为心脏疾病的治疗提供新的途径。

    May, 2018

  • CMRxRecon：用于加速图像重建竞赛的开放式心脏核磁共振图像数据集

    通过发布一个包含来自 300 个受试者的多对比度、多视角、多切片和多线圈 CMR 成像数据的数据集，我们旨在通过引入标准化的评估标准并使数据集免费向研究社区开放来促进最先进的 CMR 图像重建的进展。

    Sep, 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

  • 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

  • 空间时间扩散模型与成对采样的加速心脏电影式磁共振成像

    改进深度学习重建方法，以提高高欠采样率条件下心脏动态磁共振成像的图像清晰度和运动描绘，通过创新的配对采样策略和时空扩散增强模型，实现了比原始重建方法更清晰的组织边界和运动细节，且生成结果中的人工噪声显著减少。

    Mar, 2024

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023

  • DMCVR: 基于形态学引导的扩散模型用于 3D 心脏容积重构

    通过形态导向扩散模型，我们提出了 DMCVR，用于从稀疏的 2D 图像堆叠中更好地重建 3D 心脏容积，这种方法在生成模型中将心脏形态作为条件，消除了潜在代码的耗时迭代优化过程，提高了生成质量。我们的实验表明，DMCVR 在 2D 生成和 3D 重建性能等几个方面非常有效，能够产生高分辨率的 3D 心脏 MRI 重建，超过了当前的技术水平。我们提出的框架有着改善心脏疾病诊断和治疗规划准确性的巨大潜力。

    Aug, 2023

  • 使用卷积循环网络和优化技术的心脏 MRI 重建

    研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

    Sep, 2023