Dec, 2023

深度展开网络与空间对齐的多模态 MRI 重建

PDF
TL;DR通过在多模态磁共振成像 (MRI) 的重建过程中适当嵌入空间对齐任务，利用深度展开网络来解决模态间不对齐的问题，本文提出了一种新颖的具有空间对齐能力的深度展开网络 (DUN-SA)，并通过终端到终端的训练，展示了优于现有方法的重建性能。
multi-modal magnetic resonance imaging (mri)mri reconstructiondeep learning-based methodsspatial alignmentreconstruction performance
发现论文，激发创造
  • 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

  • GA-HQS: MRI 通用加速展开重建方法

    通过使用二阶梯度信息和金字塔注意力模块以及多尺度拆分变换器，我们提出了一种 “泛加速半二次拆分” 算法，用于 MRI 压缩感知图像加速处理，并在大量实验中验证了该方法的有效性。

    Apr, 2023

  • 联合边缘优化深度展开网络用于加速磁共振成像重建

    通过建立联合边缘优化模型，结合 MRI 图像和边缘的特定正则化器以及协同正则化器，利用非边缘概率图引导图像重建，借助深度展开网络自动学习图像和边缘的先验信息，在多种采样因子的多线圈和单线圈 MRI 数据的数值实验中，表明所提出的方法优于其他方法。

    May, 2024

  • 基于多重监督网络训练的动态 MR 成像技术：获得 K 空间和空间先验知识

    本论文提出了一种综合应用 k 空间和空间先验知识的动态 MRI 成像方法，采用多监督网络训练技术，可以在更短的时间内获得比传统方法和现有技术更好的重建结果。

    Sep, 2018

  • 自我监督多模态全身医学影像对齐

    本文探讨在医学成像中使用自监督深度学习的应用，特别是在存在两种扫描模式的同一主体的情况下。通过使用来自英国生物库的超过 20,000 个主体的完整身体迪克森技术磁共振（MR）扫描和双能 X 射线吸收计量（DXA）扫描的大型公开数据集，作者提出了一种针对多模式图像匹配对比框架，并且可以在没有监督的情况下执行自动跨模式扫描配准。最后，作者使用这些配准将 DXA 扫描的分割图传输到 MR 扫描中，在不需要地面真实 MR 样本的情况下，训练可以分割解剖区域的网络。

    Jul, 2021

  • 使用弱监督联合卷积稀疏编码进行三维医学图像的同时超分辨率和跨模态合成

    该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

    May, 2017

  • K 空间填充与图像优化：用于动态和多对比度 MRI 重建的提示

    通过探索帧间或图像间信息，本文提出了一种两阶段 MRI 重建流程来解决 MRI 重建过程中的限制性问题，并通过填充缺失 k 空间数据和图像域中的邻近帧 / 对比度特征融合，最终使得所提方法明显优于现有最先进的加速 MRI 重建方法。

    Sep, 2023

  • 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

  • 具有三维卷积神经网络先验的密集深度展开网络用于快照压缩成像

    本文提出了一种基于 DUN 的快速高效的快照压缩成像算法，采用 3D-CNN 先验和新型密集特征映射（DFM）策略来更好地利用帧间的时空相关性和解决现有 DUN 中相邻相位信息丢失的问题，同时为了提高网络鲁棒性，还提出了密集特征映射适应（DFMA）模块。最终的实验结果验证了我们方法的优越性。

    Sep, 2021

  • 基于协作模型的 MRI 重建网络

    通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。

    Feb, 2024