May, 2024

联合边缘优化深度展开网络用于加速磁共振成像重建

PDF
TL;DR通过建立联合边缘优化模型，结合 MRI 图像和边缘的特定正则化器以及协同正则化器，利用非边缘概率图引导图像重建，借助深度展开网络自动学习图像和边缘的先验信息，在多种采样因子的多线圈和单线圈 MRI 数据的数值实验中，表明所提出的方法优于其他方法。
magnetic resonance imagingmri reconstruction methodsedge optimization modeldeep unfolding networksampling schemes
发现论文，激发创造
  • Deep J-Sense: 通过展开交替优化来加速 MRI 重建

    使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。

    Mar, 2021

  • 基于协作模型的 MRI 重建网络

    通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。

    Feb, 2024

  • 深度展开网络与空间对齐的多模态 MRI 重建

    通过在多模态磁共振成像 (MRI) 的重建过程中适当嵌入空间对齐任务，利用深度展开网络来解决模态间不对齐的问题，本文提出了一种新颖的具有空间对齐能力的深度展开网络 (DUN-SA)，并通过终端到终端的训练，展示了优于现有方法的重建性能。

    Dec, 2023

  • 基于模型引导的多对比度深层展开网络用于 MRI 超分辨率重构

    本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建，该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过，通过手动设计的目标函数重建高分辨率 MRI，实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。

    Sep, 2022

  • 基于优化的深度学习 MRI 重建算法概述

    该研究综述了针对磁共振成像重建的基于深度学习算法的最新优化模型，以促进 MRI 领域的进一步创新和应用。

    Jun, 2024

  • 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

  • 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

  • 多模式非监督脑图像配准使用边缘地图

    本文提出了一种基于无监督深度学习的多模态图像配准方法，该方法利用图像梯度幅度来作为辅助信息，通过三种不同的损失函数比较证明该方法能提升多模态配准的准确性且运行时间不受影响。

    Feb, 2022

  • 内存高效的端到端深度后验网络（DEEPEN）用于逆问题

    通过使用内存高效的方法以及利用卷积神经网络的最大似然优化，我们介绍了一种用于磁共振图像恢复的后验分布的端到端学习方法，该方法能够从未采样的测量中恢复图像，并提供重建的不确定性地图。

    Feb, 2024

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019