Oct, 2024

完全无监督的动态MRI重建通过微分时间等变性

HTML
PDF
TL;DR本研究解决了从欠采样加速测量中重建动态MRI图像序列的问题。我们提出了一种无监督的框架，通过利用MRI的自然几何时空等变性来进行重建，显著优于现有的无监督方法，尤其是在高度加速的动态心脏成像中。这一方法由于独立于神经网络架构，具有广泛的适用性和潜在的影响。
发现论文，激发创造
  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张2D图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的k空间数据中重建高质量的心脏MR图像，同时学习时空相关性，优于当前MR重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017

  • 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

  • 使用神经场进行加速心脏影像MRI的无监督重建

    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

  • 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

  • 利用公开可用的自然视频学习动态磁共振图像重建

    开发和评估一种深度学习管道，从公开可用的自然视频（Inter4K）中学习动态 MR 图像重建。

    Nov, 2023

  • 自适应动态亚采样与重建用于心脏 MRI 的端到端方法

    通过深度学习方法提出了一种新的自适应动态MRI取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的2D动态重建网络，提高了重建质量。

    Mar, 2024

  • 无监督动态磁共振成像重建的图像先验

    通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为“图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

    Mar, 2024

  • 具时空旋转等变性的卷积神经网络（SRE-CNN）用于心脏动态磁共振成像

    本研究旨在解决现有等变卷积神经网络在动态磁共振成像中未能充分利用旋转对称性的问题。提出了一种新颖的时空旋转等变卷积神经网络框架（SRE-CNN），通过设计高精度滤波器和构建时序等变卷积模块，充分利用动态MR图像的旋转对称性。实验结果表明，该方法在高达20倍欠采样的动态心脏影像重建中表现优越。

    Sep, 2024

  • 动态MRI的深度端到端自适应k空间采样、重建和配准

    本研究针对动态MRI中由于时间限制和生理运动（如呼吸和心脏运动）导致的k空间数据欠采样问题，通过提出一种端到端的深度学习框架，集成了自适应动态k空间采样、图像重建和配准。该框架的创新在于使用深度学习优化采样和重建流程，从而显著提升了动态图像的重建质量和变形场估计的准确性，对心脏成像和MR引导下的放疗等临床应用具有重要影响。

    Nov, 2024