Jul, 2024

MRI 深入研究：探索 0.55T 和 7T MRI 的深度学习应用

PDF
TL;DR磁共振成像（MRI）在医学影像学的发展为诊断提供了一个安全、非侵入性替代技术，尤其是 0.55T 和 7T MRI 技术结合了深度学习方法，改善了图像细节和组织特征，对这些技术的改进和完善具有很高的潜力。
magnetic resonance imagingdiagnosisdeep learning0.55t mri7t mri
发现论文，激发创造
  • 医学影像深度学习综述：MRI 为重点

    概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

    Nov, 2018

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 3.0T 训练的深度学习分割模型在 0.55T 健康控制者的低场 MRI 上的开箱即用可行性

    评估将深度学习算法应用于 0.55T 与 3.0T 之间的双侧膝关节生物标志物量化的可行性，证明 0.55T 低场 MRI 可以用于评估膝关节软骨厚度和骨分割，尤其在使用已训练 3.0T 的深度学习算法时，其表现与 3.0T 几乎相当。

    Oct, 2023

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 基于深度学习的脑肿瘤儿童放疗计划的 MRI 加速

    通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

    Nov, 2023

  • 基于优化的深度学习 MRI 重建算法概述

    该研究综述了针对磁共振成像重建的基于深度学习算法的最新优化模型，以促进 MRI 领域的进一步创新和应用。

    Jun, 2024

  • 基于深度学习方法的脑肿瘤检测

    使用深度学习技术，特别是 ResNet50 模型，进行脑瘤识别的研究表明可以提高脑瘤的精确性，达到 99.54% 的最高准确率。该研究的目标是通过评估和分析的方式，引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。

    Sep, 2023

  • 机器学习在创伤性脑损伤诊断和预后中的应用：以轻度脑损伤和 CT 成像为焦点

    创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测 TBI 依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度 TBI 的诊断问题，探索了不同技术在不同严重程度的 TBI 中的应用，并强调了机器学习和深度学习在轻度 TBI 诊断方面的潜力。

    Jan, 2024