Jan, 2024

AID-DTI: 基于细节保留模型的深度学习加速高保真扩散张量成像

PDF
TL;DR本文提出了一种名为 AID-DTI（加速高保真扩散张量成像）的新方法，通过基于奇异值分解的正则化器在网络训练期间有效地捕获细节和抑制噪声，以实现仅使用六个测量的快速并准确的扩散张量成像。对人体连通性项目（HCP）数据的实验证明，所提出的方法在定量和定性上优于三种最先进的方法，并能够估计出具有细粒度细节的扩散张量成像参数图。
发现论文，激发创造
  • 自回归图像扩散：生成图像序列及在 MRI 中的应用

    非侵入性成像模式中，磁共振成像是一种广泛使用的成像方式，但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散（AID）模型的加速 MRI 重建方法，该算法结合了未采样的 k 空间和现有信息，评估了 fastMRI 数据集训练的模型，并展示了 AID 模型能够稳健地生成时序连贯的图像序列，在 3D 和动态 MRI 中的表现优于标准扩散模型，还能减少幻觉，并学习图像间的依赖关系。

    May, 2024

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 加速磁共振成像的准确深度敏感度估算

    本文提出了一种名为 JDSI 的联合深度灵敏度和图像重建网络，能够逐步提供更准确的灵敏度图，从而显着提高了重建图像的质量和状态，特别是在加速系数高的情况下，具有很好的鲁棒性和性能表现。

    Oct, 2022

  • 深度 MpMRI：张量分解正则化学习在快速高保真多参数显微结构磁共振成像中的应用

    提出了 DeepMpMRI，用于从不同扩散模型中使用稀疏采样的 q 空间数据快速高保真地估计多参数；实验证实了该方法在同时定量和定性地估计多参数映射方面相对于 5 种最先进方法的优越性和 4.5-22.5 倍加速

    May, 2024

  • 利用时间步调节器实现更准确的扩散模型加速

    我们提出了一种时间步齐器方法，用于改善扩散模型的图像生成质量和推理速度，通过在每个去噪步骤中替换原始参数化，将网络调整到准确的时间步骤上，从而提高各种最先进加速方法的性能。

    Oct, 2023

  • 基于深度学习的多参数 MR 图像对弥漫性胶质瘤患者的表观弥散系数地图生成

    我们提出了多参数残差视觉变换模型（MPR-ViT），使用 ViT 层的远程上下文和卷积操作符的精度，显著增加了模型的表示能力，通过对 501 例胶质瘤病例进行训练，并与 Vision Convolutional Transformer（VCT）和残差视觉变换（ResViT）模型进行比较，表明了高质量的 ADC 图像可以通过结构性 MRI 使用 MPR-ViT 模型合成，并且合成的 ADC 图像较好地符合实际体积，对疾病诊断和干预特别有用。

    Jul, 2024

  • 加速迭代扩散反演的有效真实图像编辑

    使用生成对抗网络 (GAN) 和去噪扩散隐式模型 (DDIM) 的加速迭代扩散反演方法 (AIDI) 在图像编辑任务中取得了更高的重构准确性和更好的稳健性。

    Sep, 2023

  • 利用扩散模型学习加速螺旋 MRI 的领域特定逆 NUFFT

    利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

    Apr, 2024

  • HA-HI: 通过分级对齐和分级交互的融合 fMRI 和 DTI 在轻度认知障碍诊断中的应用

    通过多模态磁共振成像（MRI）进行早期诊断轻度认知障碍（MCI）和主观认知衰退（SCD）是一项重要的研究领域。本研究引入了一种新颖的 Hierarchical Alignments and Hierarchical Interactions（HA-HI）方法，利用了 fMRI 和 DTI 的联合优势，通过对齐不同的特征类型并层级最大化它们的相互作用，有效地学习与 MCI 或 SCD 相关的脑区和连接特征，并通过 Synergistic Activation Map（SAM）技术提高方法的可解释性。该方法在 ADNI 数据集和自行收集的数据上进行了全面评估，表明 HA-HI 在 MCI 和 SCD 的诊断中优于其他现有方法，因此可能成为早期检测的一种重要且可解释的工具。

    Jan, 2024

  • 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