Jul, 2024

基于优化深度学习方法的加速质子共振频率磁共振测温

PDF
TL;DR深度学习在磁共振热成像中的应用显著提高了临床超声聚焦热疗的精确度和效率。
proton resonance frequencymr thermometrydeep learningunder-samplingfus thermal therapies
发现论文，激发创造
  • PhysRFANet：物理引导的神经网络用于射频消融治疗期间热效应的实时预测

    提出了一种名为 PhysRFANet 的物理引导神经网络模型，用于实时预测射频消融治疗过程中的热效应。通过与乳腺癌患者的磁共振图像结合的生物物理计算模型和牛肝组织实验验证，该模型在预测消融病灶体积和温度分布方面表现出良好的准确性和实时性，对改进射频消融治疗的安全性和有效性具有重要潜力。

    Dec, 2023

  • 基于分块训练的深度学习方法用于温度场重建

    文章提出了一种基于切片训练的新型深度学习方法，旨在从有限观察中准确重构电子设备的温度场。对有限元模拟数据进行的实验表明，该方法的最大绝对误差小于 1K，并且通过对不同热源布局、不同功率密度和不同观测点位置的研究进行了验证。

    Jan, 2022

  • 利用循环神经网络的磁共振指纹技术

    本文提出使用循环神经网络进行磁共振指纹重建方法，比传统字典匹配法具有更高的可扩展性和更短的重建时间，能够同时测量多种组织属性的定量成像方法。

    Dec, 2018

  • 神经接近梯度迭代下的压缩 MR 指纹重建

    针对磁共振指纹 (MRF) 问题的端到端深度学习方法中预测与物理正向模型的一致性大多未受控制，本文提出了一种名为 ProxNet 的学习的近端梯度下降框架，它直接将前向采集和布洛赫动力学模型纳入到循环学习机制中，使用紧凑的神经近端模型用于去混淆和定量推断，可以灵活地训练稀缺的 MRF 训练数据集。数值实验表明，ProxNet 可以达到卓越的定量推断精度，更小的存储需求，与最新的深度学习 MRF 基线相当的运行时间，同时比字典匹配方案快得多。

    Jun, 2020

  • 深层级卷积神经网络级联重建 MR 图像

    通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

    Mar, 2017

  • 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

  • 激光粉床增材制造温度预测的长短时记忆神经网络

    本文提出了一种智能打印工具，通过神经网络对温度梯度分布进行预测和优化，实现 laser powder bed fusion 的打印控制和质量提高。

    Jan, 2023

  • 一种用于氘代谢成像（DMI）的深度学习增敏方法

    通过使用卷积神经网络和 MRI 边缘保持正则化方法，提出了一种用于增强 Deuterium 代谢成像（DMI）灵敏度的处理方法（PRECISE-DMI），该方法能够在保持能够检测局部信号变化的能力的同时，将 DMI 的灵敏度提高了 3 倍。

    Sep, 2023

  • 利用傅里叶神经算子捕获增材制造过程中的局部温度演化

    本文提出一个基于傅里叶神经算子的数据驱动模型，以捕获增材制造过程中的局部温度演变，该模型使用 $R^2$ 度量模型性能，并在直接能量沉积过程的数值模拟中进行了测试，结果表明该模型具有高精度，并具有普适性。

    Jul, 2023

  • 磁共振指纹图像压缩灵敏度传感框架

    使用 Magnetic Resonance Fingerprinting (MRF) 技术，结合随机脉冲激发序列、随机 EPI 子采样策略和迭代投影算法，开发出一种压缩感知框架，能够从有限数量样本中同时准确恢复质子密度、T1、T2 和离共振映射。这些结果经过对大量仿真数据的验证。

    Dec, 2013