PCA-Relax：基于深度学习的心脏 $T_1$ 映射动态校正的群组注册

Jun, 2024

PCA-Relax：基于深度学习的心脏 $T_1$ 映射动态校正的群组注册

PCA-Relax: Deep-learning-based groupwise registration for motion correction of cardiac $T_1$ mapping

Yi Zhang, Yidong Zhao, Lu Huang, Liming Xia, Qian Tao

TL;DR本文提出了一种基于深度学习的组内注册框架，名为 “PCA-Relax”，用于纠正心脏磁共振图像中的呼吸和心动运动，实现定量 MRI 的精确测量和评估。

Abstract

quantitative mri (qMRI) is an increasingly important tool for clinical assessment of cardiovascular diseases. Quantitative maps are derived by fitting a known signal model to a series of baseline images, while th

quantitative mri cardiovascular diseases motion correction deep-learning-based groupwise registration pca-relax

发现论文，激发创造

基于稳健 PCA 的对比度无关分组注册用于定量心脏 MRI

提出了基于鲁棒主成分分析的新型运动校正框架，将定量心脏核磁共振成像分解为低秩和稀疏成分，并在 rPCA 框架内集成了基于组内卷积神经网络的配准骨干。通过实验证明，该方法在提高配准性能和减少定量映射误差方面比基准方法更有效，且该 rPCA 框架具有通用性，可以与其他配准骨干集成。

Nov, 2023

PCMC-T1：具有物理约束的自由呼吸心肌 T1 映射

PCMC-T1 是一种用于自由呼吸 T1 映射的物理约束深度学习模型，通过将信号衰减模型纳入网络结构来促进沿纵向弛豫轴的物理合理变形，实验证明其在模型拟合质量和临床影响方面优于基线方法。

Aug, 2023

基于弛豫度引导的定量心脏磁共振图像重建

利用深度学习的方法，提出了一种基于荧光检测并引导的量化磁共振成像重建框架，该框架将空间先验通过数据进行学习，同时结合磁共振物理学的成像先验知识，取得了在量化磁共振成像重建上具有很大潜力的结果。

Mar, 2024

深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

心脏 Cine MRI 动态跟踪的低秩群组变形

提出一种新颖的方法，可以将一组或序列图像注册到目标图像，产生低秩的注册图像，与目标图像非常相似，并通过实验证据展示该方法在产生低秩群体变形方面的优越性。

Mar, 2024

面向加速磁共振成像的注意力感知非刚性图像配准

通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

Apr, 2024

DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

基于 ADMM 的深度心脏 MRI 重建

心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

Oct, 2023

基于时间的深度图像先验用于动态磁共振成像

本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

Oct, 2019

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