May, 2024

利用 Transformer 从欠采样 K 空间直接进行心脏分割

PDF
TL;DR通过直接从稀疏 k 空间样本中使用 Transformer (DiSK) 获取分割结果的新方法，在各种加速因子下都比基准模型在 Dice 和 Hausdorff 距离上表现更好。
cardiac segmentationdeep learningmr reconstructionk-space samplestransformer
发现论文，激发创造
  • 基于投影的 K 空间变换网络用于少样本径向 MRI 重建

    使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量

    Jun, 2022

  • 深度可分离时空学习用于快速动态心脏 MRI

    这篇论文提出了一种新颖高效的方法，结合深度学习和时空先验知识，可以显著降低高维数据处理的挑战，从而实现快速成像，并在心脏诊断中超过了现有方法，同时减少对训练数据的需求，达到高准确度的心脏分割。

    Feb, 2024

  • 具注意力机制的多分支级联 Swing Transformer 在 k - 空间采样模式下用于加速磁共振图像重建

    本文提出了一种基于物理学的独立变压器模型（Multi-head Cascaded Swin Transformers，McSTRA），用于快速磁共振成像重建，该模型结合了多个相互连接的磁共振物理相关的概念与变压器网络，具有窗口自注意机制、多头设置、级联网络等特点，并采用一种新颖的位置嵌入机制，显著优于现有 MRI 重建方法，提高了图像的分辨率和去除了混淆伪影。

    Jul, 2022

  • 基于深度学习的低采样 MRI 重建

    本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

    Sep, 2017

  • 利用压缩与扩张变换的医学图像分割

    研究使用 transformers 和 Squeeze-and-Expansion Transformer 实现医学影像分割，较传统方法显著提高了分割准确度和跨领域泛化性。

    May, 2021

  • 使用视觉变换器进行更快速的三维心脏 CT 分割

    心脏准确分割对于个性化血流模拟和手术干预规划至关重要。我们改进了 ViT 以适应三维体积输入，并将其与 ResNet50 和级联上采样相结合的方式构建了 TRUNet。TRUNet 在比传统的 Residual U-Net 更短的时间内收敛，并且能产生与其相媲美或更好的左心室、左心房、左心房附属物、肺动脉和升主动脉的分割效果。 TRUNet 能更准确地分割血管边界，并更好地捕捉到心脏的整体解剖结构，对于医学影像中的三维语义分割任务具有很大潜力。

    Oct, 2023

  • 基于深度学习与空间传播的心脏图像三维一致且鲁棒的分割

    本文提出了一种基于深度学习的方法，通过 U-net 网络和 3D consistency 技术，从 MRI 图像中实现心脏分割，结果表明该方法能够提高空间一致性，具有很好的泛化能力。

    Apr, 2018

  • 多视角心脏图像分割在转 - 维先验下的研究

    我们提出了一种新的多阶段跨维度架构，用于多视角心脏图像分割。我们的方法利用短轴和长轴核磁共振（MR）图像之间的关系进行序列化的三维至二维至三维分割，分割长轴和短轴图像。我们的方法在分割短轴和长轴图像中的心脏感兴趣区域方面优于现有方法，在 Multi-Disease、Multi-View & Multi-Center Right Ventricular Segmentation in Cardiac MRI (M&Ms-2) 数据集上进行了评估。

    Apr, 2024

  • 基于领域自适应的深度学习加速投影重建 MR

    本文提出了一种结合深度学习和领域自适应的新方法，使用大量计算机断层扫描或合成径向磁共振数据预先训练网络，通过少量径向磁共振数据进行微调，成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法，并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时，本研究还发现，使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。

    Mar, 2017

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022