Mar, 2024

QSMDiff: 无监督的三维扩散模型用于定量磁敏感成像

PDF
TL;DR通过开发一种基于三维图像补丁的扩散模型（QSMDiff），用于稳健的定量磁化敏感图谱（Quantitative Susceptibility Mapping，QSM）重建，超分辨率和图像去噪任务，本研究展示了在不同扫描参数之间的稳健性能表现，并且该方法还有望影响 QSM 之外的其他三维医学成像应用。
quantitative susceptibility mappingdeep learningdiffusion modelimage reconstructionmedical imaging
发现论文，激发创造
  • IR2QSM：通过深度神经网络和迭代反馈连接与循环模块进行定量磁敏感成像

    本文提出了一种基于深度学习的 IR2QSM 方法，通过四次迭代的反向连接和中间循环模块增强 U-net 的设计，极大地改善了潜在特征利用效率，实验结果显示，IR2QSM 相比其他方法能够更准确地获取 QSM 图像，并减轻了伪影问题。

    Jun, 2024

  • 基于模型的深层图像先验的定量易感性映射

    基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。

    Aug, 2023

  • 使用深度学习进行定量磁敏感成像概述 —— 现状、挑战与机遇

    本文综述了基于深度学习的方法如何在去除磁共振图像相位测量数据中的杂散场的过程中，从中提取生物组织属性，阐述了现有技术和未来发展的方向。

    Dec, 2019

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 一种用于图像质量转换的 3D 条件扩散模型 - 一种针对低场 MRI 的应用

    我们提出了一种 3D 条件扩散模型来改进 3D 体积数据，特别是低磁场 MR 图像，并在我们的网络中引入了跨批量机制以确保在小的 3D 补丁下有更广泛的上下文意识。对于 IQT 和脑区划，我们在公开的 Human Connectome Project（HCP）数据集上的实验证明了我们的模型在定量和定性上优于现有方法。代码公开可用于 https://github.com/edshkim98/DiffusionIQT。

    Nov, 2023

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 条件扩散模型用于语义化 3D 医学影像合成

    该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

    May, 2023

  • DP-MDM：通过多个扩散模型实现细节保留的磁共振重建

    通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。

    May, 2024

  • MRI 中扩散概率模型新兴应用调查

    磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括 DPM 理论介绍、MRI 中的重建、异常检测等方面，以及 DPM 的限制和未来研究方向。

    Nov, 2023

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024