Jan, 2024

NLCG-Net: 面向欠采样定量磁共振图像重构的基于模型的零样本学习框架

PDF
TL;DR通过使用非线性共轭梯度（NLCG）优化器，并结合逐次扫描特定的 U-Net 正则化方法，这篇研究论文提出了一种直接从采样不足的 k 空间数据中估计 qMRI 映射的端到端方法，借助指数信号建模和零击穿扫描特定神经网络正则化技术，为高保真度的 T1 和 T2 映射提供了改进的估计质量。
quantitative mriparameter mapsnonlinear conjugate gradient (nlcg) optimizeru-net regularizationt1 and t2 mapping
发现论文，激发创造
  • NPB-REC：一种非参数贝叶斯深度学习方法用于不完全采样磁共振重构及不确定性估计

    通过非参数全贝叶斯框架 NPB-REC，可以从欠采样数据中重建 MRI 图像，并对重建图像的不确定性进行估计。此方法改进了重建图像的质量，并提供了更好的与重建误差相关的不确定性度量，对 MRI 重建的深度学习方法的安全应用具有潜力。

    Apr, 2024

  • SubZero: 子空间零样本 MRI 重建

    本文介绍了一种名为 SubZero 的平行网络框架，结合了注意力机制和基于子空间的零样本自监督学习方法，以提高 2D T2-shuffling 采集速度。实验证明 SubZero 在 T1 和 T2 映射采集中相较于当前方法具有更好的性能。

    Nov, 2023

  • 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

  • 深层级卷积神经网络级联重建 MR 图像

    通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

    Mar, 2017

  • 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

  • 基于不确定性感知的零空间网络用于数据一致图像重建

    本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

    Apr, 2023

  • GDCNet：使用深度学习进行无标定几何畸变校正的回声平面成像数据

    GDCNet 是一种实现了新颖的方法，通过非线性配准到 T1 加权解剖图像来估计几何畸变图，实现了功能图像的快速畸变校正，并在回顾性和前瞻性获取的数据集上展示出来。

    Feb, 2024

  • 端到端变分网络用于加速 MRI 重建

    MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

    Apr, 2020

  • 基于弛豫度引导的定量心脏磁共振图像重建

    利用深度学习的方法，提出了一种基于荧光检测并引导的量化磁共振成像重建框架，该框架将空间先验通过数据进行学习，同时结合磁共振物理学的成像先验知识，取得了在量化磁共振成像重建上具有很大潜力的结果。

    Mar, 2024

  • 学习在笛卡尔 MRI 中取样

    通过压缩感知和重建算法，优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用，提高采样速度并减少成本。

    Dec, 2023