Jun, 2024

自适应自监督一致性引导扩散模型在加速 MRI 重建中的应用

PDF
TL;DR基于自监督深度学习的压缩感知磁共振成像方法 “自适应自监督一致性引导扩散模型 (ASSCGD)” 提出，用于加速数据采集而无需完全采样的数据集。
发现论文，激发创造
  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 通过扩散生成模型优化压缩感知磁共振成像采样模式

    这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

    Jun, 2023

  • 使用生成对抗网络进行结构保留的压缩感知磁共振成像重建

    该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

    Oct, 2019

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 快速压缩感知 MRI 的深度去混叠

    本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建 MRI 图像，并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法，同时可实现每张图像 0.22ms 至 0.37ms 的重建速度，具有实时应用潜力。

    May, 2017

  • 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

  • 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

  • 利用扩散模型学习加速螺旋 MRI 的领域特定逆 NUFFT

    利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

    Apr, 2024

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • 循环损失条件下使用生成对抗网络的压缩感知 MRI 重建

    本文介绍了一种基于深度学习的生成式对抗模型，RefineGAN，用于快速准确的 CS-MRI 重建，并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。

    Sep, 2017