Dec, 2023

高级脑 MRI 的 SISMIK: 基于深度学习的运动估计和基于模型的 k 空间运动校正

PDF
TL;DR通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。
mrimotion correctionretrospective methoddeep neural networksimage reconstruction
发现论文，激发创造
  • IM-MoCo: 使用运动引导的隐式神经表示的自监督磁共振成像运动校正

    本研究中，我们提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响，通过使用 NYU fastMRI 数据集对不同程度模拟的运动严重性进行评估，纯粹的校正方法可以将结构相似性指标（SSIM）提高 5％，峰值信噪比（PSNR）提高 5 dB，以及 HaarPSI 提高 14％，在随后的实验中，我们的方法相对于受运动干扰的图像，至少可以将分类准确度提高 1.5 个百分点以上。

    Jul, 2024

  • MRI 中回顾性运动校正的深度学习：综述

    本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

    May, 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

  • MomentaMorph：无监督的 Momenta、Shooting 和 Correction 的时空配准

    综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

    Aug, 2023

  • 基于深度学习与可解释人工智能的脑部 MR 图像动态伪影自动检测

    MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

    Feb, 2024

  • 面向加速磁共振成像的注意力感知非刚性图像配准

    通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

    Apr, 2024

  • ICoNIK: 使用神经隐式表示在 k 空间中生成呼吸动态肝脏 MR 重建

    通过使用神经隐式表示直接在 k 空间中生成无模糊的运动重建，我们的研究提出了 NIK 和 ICoNIK 两种重建方法，有效解决腹部磁共振成像过程中的运动伪影问题。

    Aug, 2023

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • JSMoCo：采用自校准基于评分的扩散模型实现并行 MRI 中的线圈敏感度和运动校正

    本研究提出了一种称为 JSMoCo 的方法，能够从稀疏采样的 k 空间数据中准确估计运动参数和线圈敏感度图，有效缓解磁共振成像重建中的运动相关挑战。

    Oct, 2023

  • 可微分的基于评分的似然函数：从清晰图像中学习 CT 运动补偿

    通过训练概率密度评估模型，我们证明了 CT 图像中的似然性可以作为运动伪影严重程度的替代指标，并通过最大化似然性优化运动参数，有效减少运动伪影，使图像更接近无运动扫描的分布。

    Apr, 2024