May, 2024

自回归图像扩散：生成图像序列及在 MRI 中的应用

PDF
TL;DR非侵入性成像模式中，磁共振成像是一种广泛使用的成像方式，但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散（AID）模型的加速 MRI 重建方法，该算法结合了未采样的 k 空间和现有信息，评估了 fastMRI 数据集训练的模型，并展示了 AID 模型能够稳健地生成时序连贯的图像序列，在 3D 和动态 MRI 中的表现优于标准扩散模型，还能减少幻觉，并学习图像间的依赖关系。
magnetic resonance imagingmriundersampled k-space dataautoregressive image diffusion modelaccelerated mri reconstruction
发现论文，激发创造
  • K 空间冷扩散：学习重建加速 MRI 图像不带噪声

    本文提出了一种 k 空间冷扩散模型，用于在 k 空间中进行图像退化和恢复，而无需高斯噪声，并通过与多种基于深度学习的 MRI 重建模型进行比较，在一个著名的大型开源 MRI 数据集上进行了测试。结果显示，这种新颖的退化方式能够生成加速 MRI 的高质量重建图像。

    Nov, 2023

  • 高度欠采样磁共振图像重建的相关多频扩散建模

    通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

    Sep, 2023

  • SPIRiT-Diffusion: 加速 MRI 的自洽驱动扩散模型

    提出了一种基于自洽驱动扩散模型的方法 ——SPIRiT-Diffusion，该方法能够通过优化模型中的随机微分方程进行扩散，避免了使用线圈灵敏度矩阵的多线圈数据重建过程中常常存在的准确估计线圈灵敏度矩阵的难题，在一项关于头颅内和颈部血管壁成像的实验中表现出了较高的重建质量和加速能力。

    Apr, 2023

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 强化学习下主动的 MR k 空间采样

    本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

    Jul, 2020

  • 基于域条件先验引导的扩散模型用于加速磁共振成像和定量磁共振成像重建

    基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建，利用扩散模型中的频率和参数域中的领域条件，利用先前的磁共振物理学作为扩散模型中的嵌入，通过引导训练和采样过程中的数据一致性来表征磁共振成像的 k - 空间编码，并利用 MR 信号建模进行定量磁共振成像重建。此外，梯度下降优化被融入到扩散步骤中，增强特征学习和降噪效果。该方法在高加速因子下重建图像表现出显著的潜力，特别适用于静态和定量磁共振成像的重建，可以在不同解剖结构上保持较高的重建准确性和效率。除了直接应用外，该方法具有潜在的泛化能力，适用于各种领域的反问题。

    Sep, 2023

  • 利用扩散模型学习加速螺旋 MRI 的领域特定逆 NUFFT

    利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

    Apr, 2024

  • 通过扩散生成模型优化压缩感知磁共振成像采样模式

    这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

    Jun, 2023

  • 加速迭代扩散反演的有效真实图像编辑

    使用生成对抗网络 (GAN) 和去噪扩散隐式模型 (DDIM) 的加速迭代扩散反演方法 (AIDI) 在图像编辑任务中取得了更高的重构准确性和更好的稳健性。

    Sep, 2023

  • AID-DTI: 基于细节保留模型的深度学习加速高保真扩散张量成像

    本文提出了一种名为 AID-DTI（加速高保真扩散张量成像）的新方法，通过基于奇异值分解的正则化器在网络训练期间有效地捕获细节和抑制噪声，以实现仅使用六个测量的快速并准确的扩散张量成像。对人体连通性项目（HCP）数据的实验证明，所提出的方法在定量和定性上优于三种最先进的方法，并能够估计出具有细粒度细节的扩散张量成像参数图。

    Jan, 2024