CMRxRecon2024:多模态、多视角 K 空间数据集,为加速心脏 MRI 提升通用机器学习
通过发布一个包含来自 300 个受试者的多对比度、多视角、多切片和多线圈 CMR 成像数据的数据集,我们旨在通过引入标准化的评估标准并使数据集免费向研究社区开放来促进最先进的 CMR 图像重建的进展。
Sep, 2023
通过在深度学习模型中引入注意力机制,本研究旨在探索在心脏磁共振重建问题中整合注意力机制的潜力。我们对多种最先进的空间和通道注意力机制进行了基准测试,并使用客观指标定量评估重建质量。受表现最佳的注意力机制的启发,我们提出了一个新的、简单而有效的注意力流水线,专门为心脏图像重建任务进行了优化,优于其他最先进的注意力方法。
Apr, 2024
这项数据整理工作介绍了诊断性乳腺 MRI 检查中获得的首个大规模径向 k - 空间和 DICOM 数据的乳腺 DCE-MRI 数据集。我们的数据集包括指示患者年龄、更年期状态、病变状态(阴性、良性和恶性)以及每个病例的病变类型的案例级标签。该数据集及其重建代码的公开可用将支持快速和定量的乳腺图像重建和机器学习方法的研究和发展。
Jun, 2024
本研究提出了一种基于条件去噪扩散概率模型的新型磁共振成像 (MRI) 图像去噪框架 DiffCMR,通过感知来自欠采样 MRI 图像切片的条件信号,并生成相应的全采样 MRI 图像切片。经过多轮合成策略的推断,验证了 DiffCMR 在 MICCAI 2023 心脏 MRI 重建挑战数据集上的心动影像重建和 T1/T2 映射任务,并显示出超越先前方法的最先进性能。
Dec, 2023
提出了 CMRformer 作为临床心磁共振图像和心脏病学家报告的联合学习框架可用于改善医疗保健中标签缺失和视觉上难以解释的复杂成像疾病领域的实效性,同时提供一个庞大的 CMR 数据集可用于治疗和诊断的进一步研究。
Apr, 2023
提供一组包含 1,594 个膝部临床检查的原始 k 空间数据,并开放性挑战,鼓励参与者通过监督学习方法进行多线圈和单线圈数据图像重建,以推动机器学习在医学影像重建方面的发展。
Jan, 2020
我们提出了一种全心自监督学习框架,利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性,以生成有意义且高度聚类的心脏表示,该表示可以直接用于多个下游任务,而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性,该方法在综合 3D+T 心脏信息方面具有出色的性能。
Jun, 2024
提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI(所谓 NF-cMRI),该方法在体内进行了评估,对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集,实现了良好的图像质量和可比较的空间和改进的时间描述,优于先进的重建技术。
Jul, 2023
介绍了 fastMRI 数据集,旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。
Nov, 2018