推断阶段去噪对于欠采样 MRI 重建
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
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
通过引入基于物理原理的 DNN 架构和训练方法来提高 DNN 方法在 MRI 重建中的泛化能力,该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广 MRI 重建问题,在 Fast-MRI 数据集上的实验结果表明,我们的方法在解决 MRI 重建中的艰难问题方面比传统方法有更好的应用前景。
Aug, 2022
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
本文深入探讨自监督学习算法在 MRI 图像重建中的验证方法,发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响,最终验证得到压缩感知重建和学习去噪方法的表现相似。
Jan, 2022
本研究针对医学图像重建问题,提出了一种数据增强(DA)的方法 MRAugment,通过多项实验证明,在训练数据较少的情况下,MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平;而在大量训练数据下,MRAugment 的效果则有所降低。此外,研究结果还表明,DA 方法能提高模型对于测试数据偏移的鲁棒性。
Jun, 2021
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
本文提出了一种利用无监督深度学习(Variational Autoencoders)学习全采样 MR 图像概率分布的显式先验术语的方法,从而弥补了 k 空间数据缺失的影响,而不需要训练成对的数据集。
Nov, 2017
通过随机初始化卷积网络对图像进行参数化并执行梯度下降,以匹配观察结果的方法来量化反向医学成像任务中的不确定性,扩展到带有蒙特卡罗失活的贝叶斯方法,实现对预测不确定性的可靠估计,解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。
Aug, 2020
本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法,使用噪声分数匹配技术学习先验分布,并结合模拟退火算法对图像反问题进行全面采样,应用于磁共振成像重建,提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。
Nov, 2020