利用扩散模型学习加速螺旋MRI的领域特定逆NUFFT
该研究提出了一种使用分数梯度模型重构图像的方法,并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题,尤其是加速MRI,具有强大的性能及实用性,并且可重构复杂值数据。
Oct, 2021
通过使用二阶梯度信息和金字塔注意力模块以及多尺度拆分变换器,我们提出了一种“泛加速半二次拆分”算法,用于MRI压缩感知图像加速处理,并在大量实验中验证了该方法的有效性。
Apr, 2023
这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法,并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力,并且在2D模式下具有改进的重建效果。
Jun, 2023
基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建,利用扩散模型中的频率和参数域中的领域条件,利用先前的磁共振物理学作为扩散模型中的嵌入,通过引导训练和采样过程中的数据一致性来表征磁共振成像的k-空间编码,并利用MR信号建模进行定量磁共振成像重建。此外,梯度下降优化被融入到扩散步骤中,增强特征学习和降噪效果。该方法在高加速因子下重建图像表现出显著的潜力,特别适用于静态和定量磁共振成像的重建,可以在不同解剖结构上保持较高的重建准确性和效率。除了直接应用外,该方法具有潜在的泛化能力,适用于各种领域的反问题。
Sep, 2023
本文提出了一种k空间冷扩散模型,用于在k空间中进行图像退化和恢复,而无需高斯噪声,并通过与多种基于深度学习的MRI重建模型进行比较,在一个著名的大型开源MRI数据集上进行了测试。结果显示,这种新颖的退化方式能够生成加速MRI的高质量重建图像。
Nov, 2023
该研究介绍了一种名为PPN(Predictor-Projector-Noisor)的新算法,它增强并加速了MRI低采样重建的可控生成扩散模型,结果表明PPN比其他可控采样方法更快速地产生与低采样k空间测量一致的高保真MR图像,无监督PPN加速的扩散模型适应不同的MRI采集参数,比监督学习技术更适用于临床使用。
Nov, 2023
通过渐进的分解与征服策略,将重建过程分解成连续的步骤,并通过逐步恢复适度降级、自适应学习降级预测和严重程度条件模块等技术来提高磁共振成像重建性能。
Mar, 2024
非侵入性成像模式中,磁共振成像是一种广泛使用的成像方式,但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散(AID)模型的加速MRI重建方法,该算法结合了未采样的k空间和现有信息,评估了fastMRI数据集训练的模型,并展示了AID模型能够稳健地生成时序连贯的图像序列,在3D和动态MRI中的表现优于标准扩散模型,还能减少幻觉,并学习图像间的依赖关系。
May, 2024
本研究针对同时多切片(SMS)成像中的复杂信号交互问题,提出了一种基于深度生成先验的鲁棒性重建方法。该方法利用去噪扩散概率模型(DDPM)逐步恢复各个切片,并在重构过程中保持数据的一致性。实验结果表明,该方法在性能上超越现有技术,并能有效推广至未见数据集。
Jul, 2024