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
本文提出了一种无监督深度学习配准方法,采用双向交叉模态图像合成提高正逆一致性,实现了跨不同 MRI 模态、时间和层面的解剖学变换,获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。
Mar, 2022
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。
本文介绍了一种基于深度学习框架的三维医学图像配准方法,结合仿射配准和向量动量参数固定速度场(vSVF)模型,具有速度快、精度高、可对称变换等特点,在磁共振成像方面表现出了优异的性能。
Mar, 2019
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
本文提出了一种基于深度学习的全自动运动跟踪方法,可以对心脏标记核磁共振成像(t-MRI)图像中的运动进行跟踪,并且在动态医学成像方面提供了有用的解决方案。实验证明,与传统运动跟踪方法相比,这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。
Mar, 2021
本论文提出一种基于深度学习的无监督动态磁共振成像(MRI)重建算法,通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络,可以重建高空间分辨率的连续动态 MRI 序列,并在数量和质量上优于现有方法。
Oct, 2019
心脏核磁共振成像技术是一种有价值的非侵入性工具,用于识别心血管疾病,并通过基于深度学习的加速重建方法,提高动态心脏成像的重建质量和准确性。
Oct, 2023
本文提出了一种基于深度学习的新型超声图像变形配准模型及一种无监督的训练方法,该模型使用循环全对场变换和空间变换网络来在在线速率下(约 30 Hz)生成位移场并精确地跟踪像素移动,采用该方法来在活体猪肺视频中跟踪像素,演示了呼吸运动补偿策略,减少了猪数据集中平均像素运动的 76%,我们相信 U-RAFT 是一个有前途的工具,可用于补偿可变形组织的超声图像中的不同运动,如呼吸和心跳。
Jun, 2023
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