Dec, 2023

平滑展开增强的鲁棒 MRI 重建

PDF
TL;DRMRI 重建的 DL 技术往往对输入扰动敏感，本论文提出了一种新的图像重建框架 SMUG，通过自定义随机平滑过程以提高 DL-based MRI 重建模型的鲁棒性，有效应对各种稳定性问题和扰动。
deep learningmri reconstructionsmoothed unrollingrandomized smoothingrobustness
发现论文，激发创造
  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • Deep J-Sense: 通过展开交替优化来加速 MRI 重建

    使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。

    Mar, 2021

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 基于中值随机平滑的通用稳健方法用于现实世界超分辨率

    我们的研究探索了提高深度学习超分辨率模型鲁棒性的不同方法的普适性，并发现中值随机平滑在对抗攻击以及标准图像破坏方面比其他方法更具通用性。这些结果支持将真实世界超分辨率方法的发展重心转向鲁棒超分辨率。

    May, 2024

  • 自我卷积：用于超分辨显微镜的深度展开自监督学习

    利用荧光分子创建低密度、衍射限制图像的长序列，可以实现高精度的分子定位；然而，该方法需要较长的成像时间，限制了对活细胞动态相互作用的观察；我们提出了一种深度展开的自监督学习方法，通过训练一个仅从给定测量值学习的基于模型的自编码器来消除对大量训练数据的需求，该方法在性能上超过了其有监督对应物，从而实现了动态成像在衍射极限以下，而无需任何标记的训练样本；此外，建议的基于模型的自编码器框架可以用于改善任何稀疏恢复框架中的泛化能力，而无需外部训练数据。

    Mar, 2024

  • 基于模型引导的多对比度深层展开网络用于 MRI 超分辨率重构

    本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建，该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过，通过手动设计的目标函数重建高分辨率 MRI，实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。

    Sep, 2022

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • NoSENSE: 无显式灵敏度图的学习展开心脏 MRI 重建

    通过深度卷积神经网络和算法展开，我们提出了一种新颖的学习图像重建方法，用于加速心脏 MRI，基于多个接收线圈，与许多现有的学习 MR 图像重建技术相比，我们的方法避免了明确的线圈灵敏度图（CSM）估计，并隐含地捕捉和学习了图像之间的不同线圈之间的关系。

    Sep, 2023

  • 标签平滑改善机器反学习

    该论文介绍了 UGradSL，一种使用平滑标签的简单且易于使用的机器遗忘方法，通过理论分析和实验证明了适当引入标签平滑如何提高机器遗忘性能，并且证明了 UGradSL 在不牺牲计算效率的情况下，能够在多个数据集上显著改善机器遗忘性能。

    Jun, 2024

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023