Mar, 2024

3D 脑 MRI 联合图像去噪与运动伪影校正的迭代学习

PDF
TL;DR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。
image noisemotion artifactsbrain mriimage denoisingmotion artifact correction
发现论文，激发创造
  • 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

  • IM-MoCo: 使用运动引导的隐式神经表示的自监督磁共振成像运动校正

    本研究中，我们提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响，通过使用 NYU fastMRI 数据集对不同程度模拟的运动严重性进行评估，纯粹的校正方法可以将结构相似性指标（SSIM）提高 5％，峰值信噪比（PSNR）提高 5 dB，以及 HaarPSI 提高 14％，在随后的实验中，我们的方法相对于受运动干扰的图像，至少可以将分类准确度提高 1.5 个百分点以上。

    Jul, 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

    MRI 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。

    Feb, 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

  • 利用残差降噪网络进行迭代式联合图像去马赛克和降噪

    本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

    Jul, 2018

  • 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

  • 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

  • 使用正则化逆扩散进行 MR 图像降噪和超分辨率

    该论文提出了一种新的去噪方法基于得分的反向扩散采样，通过该方法，我们的网络在仅训练冠状膝关节扫描的情况下，在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越，并提出了一种用同一网络提高去噪图像分辨率的方法，通过大量实验表明，我们的方法在具有先进性能的同时具有优良的特性，这些先前的 MMSE 去噪器没有的：自由选择去噪程度和量化不确定性。

    Mar, 2022

  • 结合噪声到图像 GAN 和图像到图像 GAN：用于肿瘤检测的脑 MR 图像增强

    通过将噪声图像和图像到图像对抗生成网络相结合，提出了一种新的数据增强方法，能够增强磁共振样本的真实性和多样性，经过 CNN 的肿瘤检测结果表明，该方法可以显著提高经典数据增强技术的敏感度和同时对其他医学影像任务有显著提升。

    May, 2019

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023