May, 2024

基于深度学习的加速 MR 胆胰管成像重建

PDF
TL;DR本研究使用基于深度学习的重建方法加速了 3T 和 0.55T 的 MRCP 采集，通过评估峰值信噪比和结构相似度等指标，证明了该方法在减少采集时间的同时保持了图像质量。
mr cholangiopancreatographydeep learning-based reconstructionpeak signal-to-noise ratiostructural similarityundersampled data
发现论文，激发创造
  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 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

  • 端到端变分网络用于加速 MRI 重建

    MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

    Apr, 2020

  • 利用公开可用的自然视频学习动态磁共振图像重建

    开发和评估一种深度学习管道，从公开可用的自然视频（Inter4K）中学习动态 MR 图像重建。

    Nov, 2023

  • 基于 ADMM 的深度心脏 MRI 重建

    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

  • 学习变分网络以重建加速 MRI 数据

    利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。

    Apr, 2017

  • 自适应动态亚采样与重建用于心脏 MRI 的端到端方法

    通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络，提高了重建质量。

    Mar, 2024

  • GrappaNet: 将平行成像与深度学习相结合用于多线圈 MRI 重构

    本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法，能够在高加速因子下生成高质量的重建，实验证明在 FastMRI 数据集中与竞争方法相比，GrappaNet 可以生成更高质量的重建，加快 MRI 的数据获取速度。

    Oct, 2019

  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017

  • 用于高加速肝脏 4D 磁共振成像的配对条件生成对抗网络

    提出了一种具有生成对抗网络的重建方法（Re-Con-GAN），在内部数据集上展示了令人满意和高效的重建结果，快速、优质的重建 4D 肝脏磁共振成像有助于肝癌在线自适应磁共振引导放射治疗。

    May, 2024