DuDoUniNeXt: 单一和多对比度欠采样 MRI 重建的双域统一混合模型
通过深度学习,开发了一种高效的双域重建框架用于多对比度磁共振成像,重点在于最小化图像和频率域中的对比度错位以增强优化,实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。
Dec, 2023
该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法,可以快速重建从欠采样 MRI 数据中获得的 k 空间数据,得到高质量的 MRI 图像。
Jan, 2020
本研究提出了一种基于 Dual Domain Network 的方法,可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质,以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进,并且是目前为止第一个用于金属假象减少的端到端的双域网络。
Jun, 2019
我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet,通过联级式融合机制实现跨域和交叉模态特征融合,应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明,在各种迭代和低剂量水平下,DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。
Jan, 2024
提出了一个新的可解释双域网络 InDuDoNet,它将模型驱动和数据驱动方法的优势结合起来。基于联合空间和 Radon 重构模型,利用近端梯度技术设计了一个迭代算法。通过将迭代步骤展开成网络模块来提高框架的可解释性,并在合成和临床数据上进行了广泛的实验,证明了我们的 InDuDoNet 在金属伪影还原和下游多类骨盆骨折分割任务上的卓越性能。
Sep, 2021
本研究基于 U-net 深度学习网络模型,将两个元素串联在 k-space 和图像域,考察了多通道 MRI 图像重建。实验结果表明,对于独立通道的重建,仅图像域的网络更好;对于多通道的同时重建,使用双域方法更优。同时发现,与先前发布的 Deep Cascade 模型相比,网络的级联使用在三个实验中有优势(p < 0.01)。
Nov, 2019
使用数学理论设计优化的深度学习算法,提出了一种新颖的双域深度展开统一框架,结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能,为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。
May, 2024
我们提出了一个基于多对比度卷积字典模型 (MC-CDic) 的方法,通过优化算法和数据保真项对多对比度磁共振图像进行建模,实现了对多对比度图像的共同特征和独特特征的明确建模。我们使用迭代优化算法将模型拟合,并将迭代步骤展开为一个深度 CDic 模型,其中近似操作由可学习的 ResNet 替代。此外,还引入了多尺度字典以进一步提高模型性能。实验结果表明,与现有的 SOTA 方法相比,我们的 MC-CDic 模型具有更好的性能。
Sep, 2023
通过对多视图数据进行对比学习,我们提出了一种基于 U-Net 的三重编码器和单一解码器网络,tU-Net,可以充分利用未经注释的矢状和冠状视图,以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进,并且在缺少视图的情况下,提供了灵活性,表明通过对比学习来利用未经注释的多视图数据的可行性。
Aug, 2023
本文提出了一种基于深度学习的多对比度 MRI 重建模型,通过特征共享单元和密集连接单元进行信息传输和参数优化,实现了对大规模 MRI 数据集的高效重建,并在精确度和效率方面优于现有的单对比度和多对比度 MRI 方法。
Apr, 2018