May, 2024

MAMOC：通过蒙版自编码进行 MRI 运动校正

PDF
TL;DR该论文介绍了一种名为 MAMOC 的新方法，它使用具有掩码自编码自监督和测试时间预测的方法来解决动作对 MRI 脑部扫描的影响，并利用真实运动数据评估了 MAMOC 在 MRI 扫描中的运动校正能力，展示了其优越性。
motion artifactsmrimasked motion correctionretrospective artifact correctionmotion correction
发现论文，激发创造
  • 自动对焦 +: 磁共振成像中噪声鲁棒运动校正

    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。

    Mar, 2022

  • MRI 中回顾性运动校正的深度学习：综述

    本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

    May, 2023

  • 3D 脑 MRI 联合图像去噪与运动伪影校正的迭代学习

    提出了一种通过迭代学习处理带有运动伪影的噪声 MRI 的联合图像去噪和伪影校正框架，包括自适应去噪模型和抗伪影模型，并在公共数据集和临床研究中得到了实验证明其在去噪和运动伪影校正两个任务中的有效性。

    Mar, 2024

  • MGMAE: 视频蒙版自编码的运动引导掩蔽

    本文介绍了一种新的视频自编码方法，采用运动引导的掩模策略，通过引入运动信息建立时间一致的掩模体积，从而提高视频自编码的性能。通过实验证明，该方法在视频预训练中能够更有效地处理时间一致性和信息泄漏问题。

    Aug, 2023

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018

  • 短扫描牙科 CBCT 重建中的运动伪影检测

    本研究提出了一种框架，基于深度学习的切片预测方案和数据增强技术，可以在不使用校正算法的情况下提取运动自由的扫描投影部分，并重建出干净的短扫描成像。该框架已经成功验证，适用于广泛的运动情况的研究。

    Apr, 2023

  • 基于深度学习与可解释人工智能的脑部 MR 图像动态伪影自动检测

    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

  • 基于运动信息的脑 MR 图像重建深度学习框架

    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

  • 增强 MRI 扫描的隐私保护的 3D 掩蔽自编码器

    利用 CP-MAE 提出的模型，通过遮蔽自动编码器对人脸进行去识别，表现出卓越的下游任务性能和去识别效果，同时能够合成高达 $256^3$ 分辨率的扫描，大大增加了体素的数量。

    Oct, 2023

  • MOCA：通过预测掩码在线码书分配进行自监督表示学习

    提出了一种单阶段且独立的方法 MOCA，用高层特征定义新颖的掩码和预测目标，有效地结合了自我监督学习的两种范式，在低样本设置下取得了新的最先进结果，并且训练速度至少比之前的方法快 3 倍。

    Jul, 2023