Dec, 2023
超声图像重建的快速采样生成模型
Fast Sampling generative model for Ultrasound image reconstruction
Hengrong Lan, Zhiqiang Li, Qiong He, Jianwen Luo
TL;DR利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有 75 个平面波空间相干合成的传统延迟和求和 (DAS) 技术。
Abstract
image reconstruction from radio-frequency data is pivotal in ultrafast plane
wave ultrasound imaging. Unlike the conventional delay-and-sum (DAS) technique,
which relies on somewhat imprecise assumptions,
发现论文，激发创造
具信息不确定性的超声图像的扩散重建
借鉴扩散模型的进展，我们提出了一种混合方法以改进超声成像质量，通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法，并在模拟、离体和体内数据上进行全面的实验，证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
Oct, 2023
基于端到端深度学习的超声波波束成形的实验验证
利用深度学习和数据到图像网络来改善超快速超声成像的图像质量，结果表明即使使用很少的训练数据，该网络架构也能在所有评估指标上提高单平面波图像的质量。
Apr, 2024
小波扩散模型：快速可扩展的图像生成器
通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。
Nov, 2022
一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法
该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。
Sep, 2023
基于学习的超分辨率框架在美国信号中的应用
提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。
Apr, 2023
基于深度学习的低采样 MRI 重建
本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。
Sep, 2017