Nov, 2024

动态MRI的深度端到端自适应k空间采样、重建和配准

HTML
PDF
TL;DR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。
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

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 利用物理知识的神经网络学习最优K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经ODE将k空间采样视为一个普通微分方程问题来学习k空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • 全局k空间插值用于动态MRI重建的基于遮罩图像建模

    本研究提出了一种基于Transformer的k-space全局插值网络（k-GIN）以及一种新的k-space迭代细化模块（k-IRM），通过连接掩蔽图像建模与k-space插值，实现了动态磁共振成像（MRI）中对欠采样k空间的插值重建，实验结果显示该方法在高度欠采样MR数据的情况下具有更高的稳健性和通用性。

    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

  • 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

  • 面向加速磁共振成像的注意力感知非刚性图像配准

    通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

    Apr, 2024

  • 基于运动信息的脑 MR 图像重建深度学习框架

    本文提出一种新的方法，通过将动态模块集成到基于深度学习的MRI重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的MRI数据集上优于传统图像重建方法。

    May, 2024

  • 完全无监督的动态MRI重建通过微分时间等变性

    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。

    Oct, 2024

  • 基于k空间的高效非刚性配准及其在心脏磁共振成像中的应用

    本研究解决了在快速动态成像中，由于复杂运动模式导致的运动估计挑战。提出了一种新的自监督深度学习框架（LAPANet），能够直接从加速的k空间中进行非刚性运动估计。研究表明，该方法在心脏运动估计方面，较传统和基于深度学习的配准方法具有更高的准确性，为动态和实时MRI应用中的运动检测、追踪和修正开辟了新思路。

    Oct, 2024