May, 2024

Eddeep: 深度学习快速修正扩散磁共振成像中的涡流失真

PDF
TL;DR通过深度学习应用于图像处理与注册模型，我们提出了一种新的方法以降低扭曲对扩散磁共振成像的影响，实现实时预处理，促进其在临床上的广泛应用。
diffusion mriecho-planar imagingeddy distortionsimage processingdeep learning
发现论文，激发创造
  • 非笛卡尔自监督物理驱动深度学习重建高加速多回波螺旋磁共振成像

    本文提出一种基于物理驱动的深度学习重建技术来加速多回波螺旋 fMRI，从而实现高时空分辨率和有意义的 BOLD 分析。

    Dec, 2023

  • GDCNet：使用深度学习进行无标定几何畸变校正的回声平面成像数据

    GDCNet 是一种实现了新颖的方法，通过非线性配准到 T1 加权解剖图像来估计几何畸变图，实现了功能图像的快速畸变校正，并在回顾性和前瞻性获取的数据集上展示出来。

    Feb, 2024

  • 加速磁共振成像的准确深度敏感度估算

    本文提出了一种名为 JDSI 的联合深度灵敏度和图像重建网络，能够逐步提供更准确的灵敏度图，从而显着提高了重建图像的质量和状态，特别是在加速系数高的情况下，具有很好的鲁棒性和性能表现。

    Oct, 2022

  • 成人和胎儿心脏超声图像的多尺度基于数据驱动和解剖约束的图像配准

    将时态回波图像配准进一步提升到精确性、显著性并在临床定量中显示潜力，通过结合三种策略：解剖形态编码损失、数据驱动损失以及多尺度训练方案，成功地实现了对成人和胎儿回波图像的优秀配准结果，并超越了传统的非深度学习标准方法。

    Sep, 2023

  • 零样本自监督学习重建的改进多次扫描弥散加权 MRI

    使用 zero-MIRID 的深度学习多段 EPI 重建方法，在体内实验中表现出卓越的成果，并实现了对扩散 MRI 图像的改进。

    Aug, 2023

  • 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

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 高保真基于扩散的图像编辑

    扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架，其中包含一个修正模块，用残差特征调节扩散模型权重，以填补编辑过程中准确性的差距。此外，我们引入了一种新的学习范式，旨在在编辑过程中最小化错误传播。通过大量实验证明，我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果，并在定量指标和质量评估方面表现出色。此外，我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。

    Dec, 2023

  • 通过增强边缘扩散来减小深度神经网络的纹理偏倚

    通过对经过边缘增强扩散预处理的图像进行卷积神经网络训练，可以减少神经网络对纹理的依赖，并展示出对任意程度的纹理重新引入的韧性，同时研究了 EED 预处理对语义分割的连接组件级性能降低、领域泛化以及对抗鲁棒性的影响。

    Feb, 2024

  • 一对多：物理学知识的合成数据提升了用于快速磁共振成像重建的通用深度学习

    通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。

    Jul, 2023