Mar, 2024

可扩展的非笛卡尔磁共振成像方法: R2D2

PDF
TL;DR基于非笛卡尔磁共振图像重建的 Residual-to-Residual DNN 系列 (R2D2) 方法，利用分层残差图像的迭代估计形成多层 DNN 输出，从而实现可扩展且优于传统 PnP 方法的重建质量。
non-cartesian magnetic resonance image reconstructiondeep neural networkplug-and-play approachesresidual-to-residual dnn seriesr2d2
发现论文，激发创造
  • R2D2 深度神经网络系列模型用于射电天文学中的快速精确成像

    通过引入一种深度学习方法，命名为 “高动态范围成像的残差到残差 DNN 系列”，解决了高分辨率高动态范围反问题的可扩展性挑战，同时提供了快速精确成像的能力。

    Mar, 2024

  • 无线电天文学中带有模型不确定性量化的 R2D2 图像重建

    这篇研究论文使用 Residual-to-Residual DNN（R2D2）方法进行高动态范围成像，通过集成学习的方式生成多个 R2D2 实例，从而提供了一种同时估计和量化不确定性的功能。结果表明，R2D2 的图像估计能力优于现有算法，计算多个重建样本和不确定性图在大图像尺寸下也非常实用，并且模型的不确定性非常低。

    Mar, 2024

  • R2D2：无线电天文学中用于近实时高动态范围成像的深度神经网络系列

    用于射电干涉测量中高分辨率、高动态范围综合成像的一种新的人工智能方法。该方法基于混合深度神经网络（DNN）和数据一致性更新，通过将重建视为一系列以前一次迭代的残差脏图像作为输入的 DNN 的输出的残差图像来建立。该方法能够以较少的项提供高精度成像，并且在计算效率上比其他算法更快。

    Sep, 2023

  • 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

  • 3D-R2N2：单视角和多视角三维物体重建的统一方法

    使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

    Apr, 2016

  • 密集残差 Swin Transformer 用于连续无深度限制超声成像

    通过设计 RDSTN 网络，采用超分辨率技术以克服常规插值方法的限制并实现无关深度的超声图像增强，该网络通过捕捉超声图像固有的非局部特征和长程依赖性，提供了优秀的纹理并在实验中表现出比现有方法更好的性能。

    Mar, 2024

  • 基于卷积网络辅助重建 Swin Transformer 的动态 MRI 重建学习

    提出了一种名为 Reconstruction Swin Transformer (RST) 的新型架构，用于 4D MRI 重建，该架构继承了视频 Swin Transformer 的骨干设计，并引入了新的重建头部来恢复像素级强度，通过在卡片 4D MR 数据集中的实验结果进一步证实了 RST 的优越性。

    Sep, 2023

  • DR2-Net: 基于深度残差重建网络的图像压缩感知

    提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。

    Feb, 2017

  • 基于投影的 K 空间变换网络用于少样本径向 MRI 重建

    使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量

    Jun, 2022

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017