Mar, 2024

基于弛豫度引导的定量心脏磁共振图像重建

PDF
TL;DR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。
发现论文，激发创造
  • 基于时间的深度图像先验用于动态磁共振成像

    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

  • PCA-Relax：基于深度学习的心脏 $T_1$ 映射动态校正的群组注册

    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

  • 学习变分网络以重建加速 MRI 数据

    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

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 深度学习方法用于平行磁共振图像重建

    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

  • 循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

    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

  • 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

  • 使用深度密度先验的 MR 图像重建

    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：一种端到端的物理启发式学习 MRI 重建方法

    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

  • 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