Apr, 2024

可微分的基于评分的似然函数：从清晰图像中学习 CT 运动补偿

PDF
TL;DR通过训练概率密度评估模型，我们证明了 CT 图像中的似然性可以作为运动伪影严重程度的替代指标，并通过最大化似然性优化运动参数，有效减少运动伪影，使图像更接近无运动扫描的分布。
motion artifactscomputed tomographymotion correctionprobability density estimatormotion compensation algorithm
发现论文，激发创造
  • 基于梯度的快速准确锥束 CT 头部运动补偿方法

    通过引入基于梯度的优化算法的新方法，本文提出了一种用于 Cone-beam CT 运动估计的方法，该方法利用了 Cone-beam CT 的几何结构的广义导数，通过形成完全可微分的目标函数来为当前运动估计的重建空间质量评级，极大地加快了运动估计，提高了运动估计的准确性，并在临床工作流中集成了 CBCT, 解决了时效性场景中的关键挑战。

    Jan, 2024

  • 关于平滑限制对计算机断层摄影运动补偿的影响

    通过分析在锥束 CT 上的一个刚性运动补偿算法中，基于样条的运动模型对可恢复频率的影响，研究发现：选择合适的运动模型对恢复频率至关重要，优化的运动补偿算法能够准确拟合样条节点，但对于慢运动模式，节点数的增加不会损害重建性能，反而可以扩大可恢复的高频范围。最终，最佳的运动模型应根据图像解剖、临床用途和扫描协议进行精心调整，以确保准确的运动补偿。

    May, 2024

  • 短扫描牙科 CBCT 重建中的运动伪影检测

    本研究提出了一种框架，基于深度学习的切片预测方案和数据增强技术，可以在不使用校正算法的情况下提取运动自由的扫描投影部分，并重建出干净的短扫描成像。该框架已经成功验证，适用于广泛的运动情况的研究。

    Apr, 2023

  • 基于分数的扩散模型用于加速 MRI

    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

  • 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

  • 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

  • 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

  • 高级脑 MRI 的 SISMIK: 基于深度学习的运动估计和基于模型的 k 空间运动校正

    通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。

    Dec, 2023

  • 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

  • JSMoCo：采用自校准基于评分的扩散模型实现并行 MRI 中的线圈敏感度和运动校正

    本研究提出了一种称为 JSMoCo 的方法，能够从稀疏采样的 k 空间数据中准确估计运动参数和线圈敏感度图，有效缓解磁共振成像重建中的运动相关挑战。

    Oct, 2023