Jun, 2024

IR2QSM：通过深度神经网络和迭代反馈连接与循环模块进行定量磁敏感成像

PDF
TL;DR本文提出了一种基于深度学习的 IR2QSM 方法，通过四次迭代的反向连接和中间循环模块增强 U-net 的设计，极大地改善了潜在特征利用效率，实验结果显示，IR2QSM 相比其他方法能够更准确地获取 QSM 图像，并减轻了伪影问题。
quantitative susceptibility mappingmrideep learningir2qsmneurological diseases
发现论文，激发创造
  • 使用深度学习进行定量磁敏感成像概述 —— 现状、挑战与机遇

    本文综述了基于深度学习的方法如何在去除磁共振图像相位测量数据中的杂散场的过程中，从中提取生物组织属性，阐述了现有技术和未来发展的方向。

    Dec, 2019

  • QSMDiff: 无监督的三维扩散模型用于定量磁敏感成像

    通过开发一种基于三维图像补丁的扩散模型（QSMDiff），用于稳健的定量磁化敏感图谱（Quantitative Susceptibility Mapping，QSM）重建，超分辨率和图像去噪任务，本研究展示了在不同扫描参数之间的稳健性能表现，并且该方法还有望影响 QSM 之外的其他三维医学成像应用。

    Mar, 2024

  • 基于模型的深层图像先验的定量易感性映射

    基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。

    Aug, 2023

  • 认知能力减退中的定量磁敏感成像：技术方面与应用综述

    本文系统回顾了量化磁敏感性映射 (QSM) 技术及其在神经系统疾病如帕金森病、老年痴呆症和多发性硬化症等诊断和检测中的应用，创新性地提出了预测各种神经疾病的生物标志物，并讨论了 QSM 的未来发展及其应用。

    Nov, 2022

  • PINQI：一种端到端的物理启发式学习 MRI 重建方法

    PINQI 是一种基于深度学习的 MRI 重建算法，它结合了信号、采集模型和学习的正则化方法，能够高效准确地还原受高度欠采样影响的 MRI 图像，具有较高的实用价值。

    Jun, 2023

  • 急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

    在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

    May, 2024

  • InverseSR：使用潜在扩散模型进行脑部 MRI 超分辨率

    利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

    Aug, 2023

  • 基于物理学的网络微调，从高通滤波相位中获取鲁棒的量化磁化率图

    该论文介绍了一种卷积神经网络（CNN）的改进方法，该方法使用基于物理的微调过程和渐进式 Unet 网络结构从高通滤波的相位（HPFP）图像中精确预测定量磁化率映射（QSM），并提高了模型的鲁棒性。

    May, 2023

  • 深度估计缺陷因素及整体大分子信号辅助磁共振波谱定量

    在此论文中，研究者介绍了一种新方法 QNet，它使用深度学习来准确计量 Magnetic Resonance Spectroscopy (MRS) 中存在挑战的代谢物信号，通过直接预测非完美因素和背景信号来降低最终的计量问题的复杂性，并在大量测试数据和健康体内数据中得到验证和应用。

    Jun, 2023

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023