基于弛豫度引导的定量心脏磁共振图像重建
本论文提出一种基于深度学习的无监督动态磁共振成像(MRI)重建算法,通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络,可以重建高空间分辨率的连续动态 MRI 序列,并在数量和质量上优于现有方法。
Oct, 2019
本文提出了一种基于深度学习的组内注册框架,名为 “PCA-Relax”,用于纠正心脏磁共振图像中的呼吸和心动运动,实现定量 MRI 的精确测量和评估。
Jun, 2024
利用数学变分模型与深度学习相结合的可变网络,快速高质量重建临床加速多线圈 MR 数据,从而提高图像质量和去除残留伪影,保留 MRI 图像的自然外观和病理特征,可有效地整合到临床工作流中。
Apr, 2017
介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging(MRI)领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究,覆盖线性和非线性方法,探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法,讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。
Apr, 2019
本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法,称为 RecurrentVarNet,通过在观测域($k$-space)而非图像域中进行优化,每个 RecurrentVarNet 块都由数据一致性项和递归单元组成,可以有效地重建 MRI 图像,并在公共多线圈数据集上优于传统方法和之前的深度学习方法。
Nov, 2021
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
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
PINQI 是一种基于深度学习的 MRI 重建算法,它结合了信号、采集模型和学习的正则化方法,能够高效准确地还原受高度欠采样影响的 MRI 图像,具有较高的实用价值。
Jun, 2023
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