Feb, 2024

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

PDF
TL;DRMRI 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。
quality assessmentmri data acquisitiondeep learning modelrigid motion detectionartifactid tool
发现论文，激发创造
  • 基于仿真伪影的迁移学习方法的临床数据仓库中脑部 T1 加权 MRI 自动质量评估

    使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

    Jun, 2024

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018

  • 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

  • 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

  • 3D 脑 MRI 联合图像去噪与运动伪影校正的迭代学习

    提出了一种通过迭代学习处理带有运动伪影的噪声 MRI 的联合图像去噪和伪影校正框架，包括自适应去噪模型和抗伪影模型，并在公共数据集和临床研究中得到了实验证明其在去噪和运动伪影校正两个任务中的有效性。

    Mar, 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

  • 自动对焦 +: 磁共振成像中噪声鲁棒运动校正

    本研究提出了一种基于神经网络的正则化项来增强自动对焦的方法，以解决 MRI 中由运动造成的图像失真问题，并通过使用合成和真实噪声数据验证其有效性，表明该方法对噪声和解剖结构变化具有鲁棒性，优于现有的降噪方法。

    Mar, 2022

  • 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

  • 基于区域一致性的半监督学习用于胎儿脑 MRI 质量评估

    本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

    Jun, 2020

  • 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

    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。

    Dec, 2023