mri reconstruction | BriefGPT

关键词mri reconstruction

搜索结果 - 40

ALMA: 基于数学的一种方法，用于确定广义 LASSO 问题的调整参数，及其在 MRI 中的应用
通过 TV-regularized LASSO 方法和 ALMA 算法，本研究为 MRI 重建过程中选择合适的调优参数提供了一种数值求解约束优化问题的有效工具。
PDF5 days ago
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。
PDFa month ago
DP-MDM：通过多个扩散模型实现细节保留的磁共振重建
通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。
PDF2 months ago
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。
PDF2 months ago
NPB-REC：一种非参数贝叶斯深度学习方法用于不完全采样磁共振重构及不确定性估计
通过非参数全贝叶斯框架 NPB-REC，可以从欠采样数据中重建 MRI 图像，并对重建图像的不确定性进行估计。此方法改进了重建图像的质量，并提供了更好的与重建误差相关的不确定性度量，对 MRI 重建的深度学习方法的安全应用具有潜力。
PDF3 months ago
基于弛豫度引导的定量心脏磁共振图像重建
利用深度学习的方法，提出了一种基于荧光检测并引导的量化磁共振成像重建框架，该框架将空间先验通过数据进行学习，同时结合磁共振物理学的成像先验知识，取得了在量化磁共振成像重建上具有很大潜力的结果。
PDF4 months ago
TC-DiffRecon：基于扩散模型和修改的 MF-UNet 方法的纹理协调 MRI 重建方法
提出了一种名为 TC-DiffRecon 的基于扩散模型的 MRI 重建方法，不依赖于特定的加速因子进行训练，通过添加 MF-UNet 模块和 Coarse-to-Fine 采样方案来提高生成图像质量并减轻过度平滑问题。
PDF4 months ago
深度展开网络与空间对齐的多模态 MRI 重建
通过在多模态磁共振成像 (MRI) 的重建过程中适当嵌入空间对齐任务，利用深度展开网络来解决模态间不对齐的问题，本文提出了一种新颖的具有空间对齐能力的深度展开网络 (DUN-SA)，并通过终端到终端的训练，展示了优于现有方法的重建性能。
PDF6 months ago
加速 MRI 重建的面向架构无关的未训练网络先验
该研究对未经训练的神经网络在磁共振成像（MRI）重建领域的应用进行了讨论，通过理解网络架构的频率特征，提出了两种与架构无关的改进方法，从而使得不合理设计的模型在性能上能够接近高性能模型。
PDF7 months ago
平滑展开增强的鲁棒 MRI 重建
MRI 重建的 DL 技术往往对输入扰动敏感，本论文提出了一种新的图像重建框架 SMUG，通过自定义随机平滑过程以提高 DL-based MRI 重建模型的鲁棒性，有效应对各种稳定性问题和扰动。
PDF7 months ago
DiffCMR: 快速心脏 MRI 重建与扩散概率模型
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 M
PDF7 months ago
无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建
我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。
PDF7 months ago
JSSL: MRI 重建的联合监督与自监督学习
该研究提出了一种名为 JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高 MRI 重构的质量。实验证明，JSSL 方法相较于传统的自监督训练方法有了明显的改进，从而凸
PDF7 months ago
体积重建解决静态和动态 PROPELLER 磁共振成像的离磁共鸣伪影
通过将 2D MRI 重建问题升级为 3D，引入额外的 “频谱” 维度来解决磁共振成像中的离谱伪影问题，并成功重建静态和动态 MR 图像以及分离脂肪和水，从而改善图像的诊断质量。
PDF7 months ago
IMJENSE：并行磁共振成像中联合线圈灵敏度和图像估计的扫描特定隐式表示
并行成像是一种常用的技术，用于加速磁共振成像（MRI）数据采集。本研究介绍了 IMJENSE，一种基于扫描特定的隐式神经表示方法，用于改善并行 MRI 重建。通过利用内部信息和部分采集数据的物理特性来生成所需对象，IMJENSE 采用连续表
PDF7 months ago
SMRD：基于 SURE 的扩散模型 MRI 坚固重建
SURE-based MRI Reconstruction with Diffusion models (SMRD) enhances robustness during testing of diffusion models by per
PDF9 months ago
揭示基于深度学习的脑部 MRI 重建中的公平偏差
该研究使用深度学习重建技术分析了基于神经网络的磁共振成像的公平性问题，发现性别和年龄子群之间存在显著的性能偏差，并提供了改进医学人工智能应用公平性的见解。
PDF9 months ago
图像逆问题的凸隐式优化对抗正则化
通过引入 Convex Latent-Optimized Adversarial Regularizers (CLEAR) 这种新的可解释数据驱动模型，我们结合深度学习和变分正则化的技术，利用潜在优化技术对输入的凸性神经网络进行对抗训练，实
PDF9 months ago
MRI 并行重建的批量隐式神经表示
基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。
PDF10 months ago
心脏模型的形状：基于学习到的符号距离函数
通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。
PDF10 months ago