ICMLJun, 2024

磁共振中的自适应 k 空间采样用于快速病理预测

PDF
TL;DRMR 成像通过 Adaptive Sampling for MR 原理允许在只使用 8% 的 k 空间的情况下，优化目标疾病检测并达到仅差 2% 于完全采样分类器的性能，同时优于 EMRT、LOUPE 和 DPS 等以往 k 空间采样的最新研究成果。
发现论文，激发创造
  • MRI 扫描器作为一种诊断工具：无图像主动采样

    通过基于机器学习的强化学习方法，在病人级别上学习一个主动采样策略，通过对被欠采样的 k 空间进行直接推断，本研究验证了在膝关节 MRI 数据中，可以获得与基于机器学习诊断使用全采样 k 空间数据相媲美的诊断性能，同时分析了任务特定的采样策略，展示了主动采样方法的适应性。引入的经济采样策略有潜力降低高磁场强度需求，从而增强基于 MRI 的 POC 疾病识别和相关初步筛查工具的可行性。

    Jun, 2024

  • 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

  • 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

  • 用于快速和高保真扩散磁共振成像的同时 q 空间采样优化和重建

    提出了 SSOR 框架，通过优化 q 空间采样，结合扩散磁共振成像在 q 空间和图像域的特性，使用连续表示的球谐函数和重建网络，应用 l1 范数和总变差正则化，从而实现了对组织微结构特性和结构连接性进行非侵入性研究的有效捕获和重建。

    Jan, 2024

  • MRI 采样模式学习

    本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

    Jun, 2019

  • 学习在笛卡尔 MRI 中取样

    通过压缩感知和重建算法，优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用，提高采样速度并减少成本。

    Dec, 2023

  • 一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法

    该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

    Sep, 2023

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • 基于可扩展学习的动态压缩磁共振采样优化

    本文研究将压缩感知应用于磁共振成像，通过优化采样掩蔽来减少采样时间，并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案，该方法有效降低了计算负担，并在动态 MRI 中证明了其良好的性能。

    Feb, 2019