Offset Sampling Improves Deep Learning based Accelerated MRI Reconstructions by Exploiting Symmetry
Facebook AI Research（Facebook人工智能研究）；fastMRI team（fastMRI团队）
加速MRI的深度学习方法将采样的傅立叶空间线矩阵作为输入，并生成空间图像作为输出。在这项工作中，我们表明，通过仔细选择在采样过程中使用的偏移量，在k空间中的对称性可以更好地利用，产生更高质量的重建比标准的等距样本或随机样本的动机压缩感知。
2020-02-04 cs.CV cs.LG eess.IV
DSFormer: A Dual-domain Self-supervised Transformer for Accelerated Multi-contrast MRI Reconstruction
Yale University（耶鲁大学）；New York University（纽约大学）；Hyperfine Research（Hyperfine研究公司）
多对比度MRI（MC-MRI）可捕获多种互补成像模式，以辅助放射学决策。鉴于需要降低多次采集的时间成本，当前的深度加速MRI重建网络专注于利用多次对比之间的冗余。然而，现有的工作主要是监督配对数据和/或昂贵的全采样MRI序列。此外，重建网络通常依赖于卷积架构，其在对远程相互作用进行建模的能力方面受到限制，并且可能导致精细解剖细节的次优恢复。为此，我们提出了一个双域自监督Transformer（DSFormer）加速MC-MRI重建。DSFormer开发了一种深度条件级联Transformer（DCCT），由几个级联的Swin Transformer重建网络（SwinRN）组成，在两种深度条件策略下进行训练，以实现MC-MRI信息共享。我们进一步提出了一个双域（图像和k空间）的DCCT自监督学习策略，以减轻获取完全采样的训练数据的成本。DSFormer生成高保真重建，在实验上优于当前的全监督基线。此外，我们发现DSFormer在完全监督或我们提出的双域自监督下训练时达到了几乎相同的性能。
2022-08-17 cs.CV cs.LG eess.IV
Joint Calibrationless Reconstruction and Segmentation of Parallel MRI
University of Iowa（爱荷华大学）
从MRI数据中估计脑区域的体积是许多临床应用中的关键问题，其中期望以高空间分辨率采集数据。虽然并行MRI和约束图像重建算法可以加速扫描，但图像重建伪影是不可避免的，特别是在高加速因子下。我们引入了一种新的图像域深度学习框架，用于无校准并行MRI重建，再加上分割网络，以提高图像质量，并减少当前分割算法对加速导致的图像伪影的脆弱性。所提出的图像域深度无校准方法与分割算法的组合提供了改进的图像质量，同时提高了分割的准确性。在重建和分割任务之间共享编码器的新颖架构被认为减少了对分割训练数据集的需求。特别是，所提出的Few-Shot训练策略只需要10%的分割数据集就可以提供良好的性能。
2021-05-19 cs.CV cs.LG eess.IV
Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction
Hyperfine Research（Hyperfine研究院）；Yale University（耶鲁大学）；New York University（纽约大学）
虽然能够加速采集和提高重建精度，但当前的深度MRI重建网络通常是受监督的，需要完全采样的数据，并且限于笛卡尔采样模式。这些因素限制了它们的实际应用，因为全采样MRI在临床上采集非常耗时。此外，非笛卡尔采样模式特别理想，因为它们更容易受到加速度的影响，并且显示出更好的运动鲁棒性。为此，我们提出了一个完全自我监督的方法，加速非笛卡尔MRI重建，利用自我监督在k空间和图像域。在训练中，欠采样数据被分成不相交的k空间域分区。对于k-空间自监督，我们训练一个网络来重建输入欠采样数据从不相交的分区和从本身。对于图像级的自我监督，我们强制从原始欠采样数据和两个分区获得的外观一致性。在我们模拟的多线圈非笛卡尔MRI数据集上的实验结果表明，DDSS可以生成接近完全监督重建精度的高质量重建，优于以前的基线方法。最后，DDSS被证明可以扩展到在便携式低场（0.064 T）MRI扫描仪上采集的极具挑战性的真实世界临床MRI重建，没有数据可用于监督训练，同时证明与传统重建相比，图像质量有所改善，如放射科医生研究所确定的。
2023-02-18 cs.CV cs.LG eess.IV
Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers
Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center, Bilkent University（比尔肯特大学国家磁共振研究中心）
监督重建模型在特征上是在匹配的欠采样和全采样数据对上训练的，以捕获MRI先验，以及关于成像操作员的监督，以加强数据一致性。为了减少监督要求，最近的深度图像先验框架在推理期间将未经训练的MRI先验与成像算子结合起来。然而，规范卷积架构在捕获远程关系方面是次优的，并且基于随机初始化网络的先验可能会产生次优性能。为了解决这些局限性，在这里，我们介绍了一种新的无监督MRI重建方法的基础上zero-Shot学习对抗Transformers（SLATER）。SLATER体现了一个深度对抗网络，具有交叉注意力Transformers，可将噪声和潜在变量映射到线圈组合的MR图像上。在预训练期间，该无条件网络在无监督生成建模任务中学习高质量的MRI先验。在推断期间，然后通过结合成像算子并优化先验以最大化欠采样数据的一致性来执行zero-shot重建。在大脑MRI数据集上进行的综合实验清楚地证明了SLATER相对于最先进的无监督方法的优越性能。
2022-01-16 cs.CV cs.LG eess.IV
Invertible Sharpening Network for MRI Reconstruction Enhancement
Yale University（耶鲁大学）；United Imaging Intelligence（联影智能）；University of Georgia（佐治亚大学）
高质量的MRI重建在临床应用中起着至关重要的作用。基于深度学习的方法在MRI重建方面取得了可喜的成果。然而，大多数最先进的方法被设计为优化通常用于自然图像的评价指标，如PSNR和SSIM，而不是主要追求视觉质量。与完全采样的图像相比，重建的图像通常是模糊的，其中高频特征可能不够清晰，无法进行可靠的临床诊断。为此，我们提出了一个可逆的锐化网络（InvSharpNet），以提高MRI重建的视觉质量。在训练过程中，与学习将输入数据映射到地面实况的传统方法不同，InvSharpNet采用了一种向后训练策略，该策略学习从地面实况（完全采样图像）到输入数据（模糊重建）的模糊变换。在推理期间，学习的模糊变换可以被反转为利用网络的可逆性的锐化变换。在各种MRI数据集上的实验表明，InvSharpNet可以提高重建清晰度，伪影很少。放射科医生也对结果进行了评估，表明我们提出的方法具有更好的视觉质量和诊断信心。
2022-06-06 cs.CV cs.LG eess.IV
Piecewise Dynamic Diffusion Regularization for Reconstruction of Cardiac Cine MRI
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
针对实时心脏电影MRI严重欠采样与运动导致的重建难题，提出PDDR方法，分段融合时空扩散先验，实现高效高质量重建，性能优于现有方法。
2026-07-07 cs.CV cs.LG eess.IV
MRI Reconstruction with Regularized 3D Diffusion Model (R3DM)
IAS-8；INM-4 Forschungszentrum Jülich（INM-4 研究中心）；RWTH Aachen University（亚琛工业大学）
本文提出了一种基于正则化3D扩散模型的MRI重建方法，通过结合优化方法提升图像质量与保真度，实验表明其在欠采样数据下的重建性能优于现有方法。
2024-12-25 cs.CV cs.LG eess.IV
Structure Preserving Compressive Sensing MRI Reconstruction using Generative Adversarial Networks
IIT Roorkee（印度理工学院鲁尔基分校）；IIT Kharagpur（印度理工学院克勒格布尔分校）
压缩感知磁共振成像（CS-MRI）通过突破奈奎斯特采样限制来加速MR图像的采集。在这项工作中，提出了一种新的生成对抗网络（GAN）为基础的框架CS-MRI重建。我们的模型结合了基于块的重构和基于结构相似性指数的损失，专注于保留重构图像中的高频内容和精细纹理细节。密集和剩余的连接已被纳入一个U型网络为基础的发电机架构，以允许更容易的信息传输以及可变的网络长度。我们表明，我们的算法优于国家的最先进的方法在重建的质量和鲁棒性噪声。此外，毫秒级的重建时间使其非常适合实时临床使用。
2020-04-26 cs.CV cs.LG eess.IV
A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation
Shanghai Jiao Tong University（上海交通大学）；ShanghaiTech University（上海科技大学）
并行成像是一种广泛使用的加速磁共振成像（MRI）的技术。然而，目前的方法在从高度欠采样的k空间数据重建无伪影的MRI图像方面仍然表现不佳。最近，隐式神经表征（INR）已经成为一种新的深度学习范式，用于学习对象的内部连续性。在本研究中，我们采用INR并行MRI重建。MRI图像被建模为空间坐标的连续函数。该函数由神经网络参数化，并直接从测量的k空间本身学习，而无需额外的完全采样的高质量训练数据。受益于INR提供的强大的连续表示，所提出的方法通过抑制混叠伪影和噪声而优于现有方法，特别是在更高的加速度和更小尺寸的自动校准信号下。高质量的结果和扫描特异性使所提出的方法具有进一步加速并行MRI数据采集的潜力。
2022-10-19 cs.CV cs.LG eess.IV
Federated Learning of Generative Image Priors for MRI Reconstruction
Bilkent University（比尔肯特大学）；University of Southern California（南加州大学）
多机构的努力可以促进深度MRI重建模型的训练，尽管在跨站点共享成像数据期间会出现隐私风险。最近引入了联邦学习（FL），通过在不传输成像数据的情况下实现分布式训练来解决隐私问题。用于MRI重建的现有FL方法采用条件模型来经由成像算子的显式知识从欠采样采集映射到全采样采集。由于条件模型在不同的加速率或采样密度下泛化能力较差，因此成像算子在训练和测试之间必须是固定的，并且它们通常在不同的站点之间匹配。为了提高多机构合作的通用性和灵活性，在这里，我们介绍了一种新的方法，用于MRI重建的基础上联邦学习的生成图像先验（FedGIMP）。FedGIMP利用了两个阶段的方法：生成MRI先验的跨站点学习，以及成像操作员的受试者特定注入。全局MRI先验是通过无条件对抗模型学习的，该模型基于潜在变量合成高质量的MR图像。通过产生特定于站点的潜伏期的映射子网络来保留先前的特异性。在推理过程中，先验知识与特定于对象的成像算子相结合，以实现重建，并通过最小化数据一致性损失来进一步适应各个测试样本。多机构数据集上的综合实验清楚地表明，FedGIMP对基于条件模型的特定站点和联邦方法以及传统重建方法的泛化性能有所增强。
2022-04-06 cs.CV cs.LG eess.IV
SMUG: Towards robust MRI reconstruction by smoothed unrolling
MSU（密歇根州立大学）
尽管深度学习（DL）在加速磁共振成像（MRI）中越来越受欢迎，但最近的研究表明，基于DL的MRI重建模型可能对微小的输入扰动（称为“对抗性扰动”）过于敏感，这会导致不稳定的低质量重建图像。这就提出了如何设计鲁棒的DL方法进行MRI重建的问题。为了解决这个问题，我们提出了一种新的图像重建框架，称为平滑展开（SMUG），它提出了一种基于深度展开的MRI重建模型，使用随机平滑（RS）为基础的鲁棒学习操作。粗糙集方法提高了模型对输入噪声的容忍度，已被广泛应用于图像分类的对抗性防御设计中。然而，我们发现将RS应用于整个DL过程的传统设计对于MRI重建是无效的。我们表明，SMUG解决了上述问题，定制RS操作的基础上展开架构的DL为基础的MRI重建模型。香草RS的方法和SMUG的几个变种相比，我们表明，SMUG提高了MRI重建的鲁棒性相对于一组不同的扰动源，包括扰动的输入测量，不同的测量采样率，和不同的展开步骤。SMUG的代码将在https://github.com/LGM70/SMUG上提供。
2023-03-14 cs.CV cs.LG eess.IV
Adaptive PromptNet For Auxiliary Glioma Diagnosis without Contrast-Enhanced MRI
Zhengzhou University（郑州大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Peng Cheng Laboratory（鹏城实验室）；Guangdong Provincial People’s Hospital（广东省人民医院）；Guangdong Academy of Medical Sciences（广东省医学科学院）
基于多对比剂磁共振成像（MRI）的脑胶质瘤自动辅助诊断在临床上具有重要作用。对比增强MRI序列（例如，对比增强T1加权成像）在大多数现有的相关研究中使用，其中已报告了显著的诊断结果。然而，由于患者的生理限制，获取对比增强的MRI数据有时是不可行的。此外，在临床中收集对比增强的MRI数据更耗时且成本更高。在本文中，我们提出了一个自适应的网络来解决这些问题。具体而言，已经构建了仅利用非增强MRI数据进行胶质瘤分级的神经网络。在训练过程中，通过设计的提示丢失，ActuNet接收来自对比增强MR数据特征的约束。为了进一步提高性能，设计了一种自适应策略，以基于样本的方式动态加权提示损失。因此，PICTNET能够处理更困难的样本。在广泛使用的BraTS 2020数据集上评估了我们方法的有效性，并在NE-MRI数据上实现了具有竞争力的胶质瘤分级性能。
2022-11-15 cs.CV cs.LG eess.IV
Robust Depth Linear Error Decomposition with Double Total Variation and Nuclear Norm for Dynamic MRI Reconstruction
针对动态MRI重建中的多域差异、时空特性及计算成本问题，提出RDLEDM模型，通过线性分解、双重TV和NN正则化及原始-对偶快速算法，实现了更高的重建精度和更低的时间复杂度。
2023-10-23 cs.CV cs.LG eess.IV
Fast MRI Reconstruction: How Powerful Transformers Are?
Imperial College London（帝国理工学院）；Royal Brompton Hospital（皇家布朗普顿医院）
磁共振成像（MRI）是一种广泛使用的非辐射和非侵入性的方法，用于器官结构和代谢的临床询问，具有固有的长扫描时间。k空间欠采样和基于深度学习的重建方法已经普及，以加速扫描过程。这项工作的重点是研究如何强大的Transformers是快速MRI利用和比较不同的新型网络架构。特别地，基于生成对抗网络（GAN）的Swin Transformer（ST-GAN）被引入用于快速MRI重建。为了进一步保留边缘和纹理信息，还开发了基于边缘增强的GAN的Swin Transformer（EES-GAN）和基于纹理增强的GAN的Swin Transformer（TES-GAN），其中应用了双边缘GAN结构。我们比较了我们提出的基于GAN的Transformers，独立Swin Transformer和其他基于卷积神经网络的GAN模型的评估指标PSNR，SSIM和FID。我们表明，Transformers工作以及从不同的欠采样条件下的MRI重建。利用GAN的对抗结构可以提高欠采样30%或更高时重建图像的质量。该代码可在https://github.com/ayanglab/SwinGANMR上公开获取。
2022-04-04 cs.CV cs.LG eess.IV
Deep variational network for rapid 4D flow MRI reconstruction
University and ETH Zurich（苏黎世大学与苏黎世联邦理工学院）
相衬磁共振成像（MRI）提供了血流动力学的时间分辨量化，可以帮助临床诊断。由于在心脏相位和呼吸周期内重复进行三维（3D）体积采样，体内扫描时间较长，因此需要利用数据相关性的加速成像技术。标准的压缩感知重建方法需要调整超参数，并且在计算上是昂贵的，这减少了检查时间的潜在减少。我们提出了一种有效的基于模型的深度神经重建网络，并评估了其在临床主动脉血流数据上的性能。该网络被证明可以在标准消费者硬件上在一分钟内重建欠采样的4D流MRI数据。值得注意的是，相对少量的可调参数允许网络在来自11个参考扫描的图像上进行训练，同时很好地推广到各种加速因子和解剖结构的回顾性和前瞻性欠采样数据。
2020-04-20 cs.CV cs.LG eess.IV
Deep Attentive Wasserstein Generative Adversarial Networks for MRI Reconstruction with Recurrent Context-Awareness
Sun Yat-Sen University（中山大学）；University of Edinburgh（爱丁堡大学）；Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心）；National Heart & Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）
传统的基于压缩感知的MRI（CS-MRI）重建的性能受到其缓慢迭代过程和噪声诱导伪影的影响。尽管已经提出了许多基于深度学习的CS-MRI方法来缓解传统方法的问题，但它们无法在更高的加速因子下实现更稳健的结果。大多数基于深度学习的CS-MRI方法仍然不能完全挖掘k空间的信息，这导致MRI重建结果不理想。在这项研究中，我们提出了一种新的基于深度学习的CS-MRI重建方法，通过将Wasserstein生成对抗网络（WGAN）与递归神经网络耦合，充分利用连续MRI切片之间的关系。进一步发展的一个专注的单位，使我们的模型，以重建更准确的解剖结构的MRI数据。通过在不同的MRI数据集上进行实验，我们已经证明，与最先进的方法相比，我们的方法不仅可以获得更好的结果，而且还可以有效地减少重建过程中产生的残留噪声。
2020-06-23 cs.CV eess.IV
Deep Plug-and-Play Prior for Parallel MRI Reconstruction
Harvard Medical School（哈佛医学院）；Boston Children’s Hospital（波士顿儿童医院）
磁共振成像（MRI）中的快速数据采集需求极大，扫描时间直接取决于采集的k空间样本的数量。用于快速MRI采集的常规MRI重建方法主要依赖于表示稀疏性的分析模型的不同正则化器。然而，最近基于深度学习的数据驱动方法已经在图像重建算法方面带来了有希望的改进。在本文中，我们提出了一种用于并行MRI重建问题的深度即插即用先验框架，该框架利用深度神经网络（DNN）作为迭代方法中的高级去噪器。这又使得能够以改进的图像质量快速采集MR图像。将该方法与临床金标准GRAPPA方法进行了比较。我们的结果与欠采样数据表明，我们的方法可以提供相当高的质量图像在高加速因子相比，临床金标准方法的MRI重建。我们提出的重建能够增加加速因子，并减少采集时间，同时保持高图像质量。
2019-09-06 cs.CV eess.IV
Unveiling Fairness Biases in Deep Learning-Based Brain MRI Reconstruction
The University of Edinburgh（爱丁堡大学）；Indiana University School of Medicine（印第安纳大学医学院）；The Alan Turing Institute（艾伦·图灵研究所）
本文首次分析基于U-Net的脑部MRI重建模型公平性，发现性别与年龄亚组间存在显著性能偏差，且数据不平衡和训练歧视并非主要来源。
2023-09-25 cs.CV cs.LG eess.IV
Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?
Dublin City University（都柏林城市大学）；University College Dublin（都柏林大学）
本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。
2026-04-24 cs.CV cs.LG eess.IV
MRPD: Undersampled MRI reconstruction by prompting a large latent diffusion model
School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China (USTC)（中国科学技术大学生命科学与医学部生物医学工程学院）；Suzhou Institute for Advance Research, USTC（中国科学技术大学苏州高等研究院）；Key Laboratory of Precision and Intelligent Chemistry, USTC（中国科学技术大学精准与智能化学重点实验室）；Key Laboratory of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院计算技术研究所中国科学院智能信息处理重点实验室）
MRPD提出利用自然图像预训练的大型潜在扩散模型实现欠采样MRI重建，通过MRSampler和轻量级MRAdapter支持无监督及数据库可用场景，并在域外采样、对比度和器官上取得最佳泛化能力。
2024-07-05 cs.CV cs.LG eess.IV
Multi-Coil MRI Reconstruction Challenge -- Assessing Brain MRI Reconstruction Models and their Generalizability to Varying Coil Configurations
University of Calgary（卡尔加里大学）；Hotchkiss Brain Institute, University of Calgary（卡尔加里大学霍奇基斯脑研究所）；Foothills Medical Center（山麓医学中心）；Radboud University Medical Center（拉德堡德大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）；University of Amsterdam（阿姆斯特丹大学）；Amsterdam UMC（阿姆斯特丹大学医学中心）；University of Campinas（坎皮纳斯大学）
基于深度学习的脑磁共振成像（MRI）重建方法有可能加速MRI采集过程。然而，科学界缺乏适当的基准来评估高分辨率脑图像的MRI重建质量，并评估这些算法在存在小的但预期的数据分布变化时的表现。多线圈磁共振图像（MC-MRI）重建挑战赛提供了一个基准，旨在解决这些问题，使用高分辨率，三维，T1加权MRI扫描的大型数据集。该挑战有两个主要目标：1）在该数据集上比较不同的MRI重建模型，2）评估这些模型对使用不同数量的接收器线圈采集的数据的可推广性。在本文中，我们描述了挑战性的实验设计，并总结了一组基线和最先进的脑MRI重建模型的结果。我们提供了关于当前MRI重建最新技术水平的相关比较信息，并强调了在更广泛的临床采用之前获得可推广模型的挑战。MC-MRI基准数据、评估代码和当前挑战排行榜已公开。它们为脑MRI重建领域的未来发展提供了客观的性能评估。
2021-12-21 cs.LG eess.IV physics.med-ph
Scale-Equivariant Unrolled Neural Networks for Data-Efficient Accelerated MRI Reconstruction
Stanford University（斯坦福大学）
展开的神经网络为加速磁共振成像（MRI）重建任务提供了最先进的重建性能和快速推理时间。然而，这些方法依赖于完全采样的扫描作为地面实况数据，这在许多临床医学成像应用中是昂贵的或不可能获取的;因此，期望减少对数据的依赖。在这项工作中，我们提出用尺度等变卷积神经网络对展开神经网络的近端算子进行建模，以提高数据效率和对图像尺度漂移的鲁棒性，这些漂移可能源于患者解剖结构的变化或不同MRI扫描仪的视场变化。我们的方法表现出强大的改进，在相同的内存约束下，在分布和分布范围外的缩放图像上都有和没有数据增强，而不会显着增加训练或推理时间的最先进的展开神经网络。
2022-04-21 cs.CV cs.LG eess.IV
End-to-End AI-based MRI Reconstruction and Lesion Detection Pipeline for Evaluation of Deep Learning Image Reconstruction
Microsoft Research（微软研究院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Minnesota（明尼苏达大学）；Stanford University（斯坦福大学）
深度学习技术已经成为一种有前途的高加速MRI方法。然而，最近的重建挑战已经显示出当前深度学习方法中的几个缺点，包括即使使用在全局质量度量方面表现良好的模型也会丢失精细图像细节。在这项研究中，我们提出了一个用于图像重建和病理检测的端到端深度学习框架，它可以对深度学习重建质量进行临床感知评估。该解决方案在膝关节MRI研究中检测膝关节撕裂的用例中得到了证明，最终发现普通重建方法丢失了精细图像细节，表现为检测膝关节撕裂等重要病理的能力降低。尽管使用SSIM等指标进行定量重建方法学评价的常见做法，但受损病理检测作为基于病理学的自动重建评价方法表明，现有定量方法无法捕获临床重要的重建结果。
2021-09-23 cs.CV cs.LG eess.IV
Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction
针对加速MRI扫描中边缘先验利用不足的问题，提出联合边缘优化深度展开网络，通过非边缘概率图和图像—边缘协同正则化提升重建质量，并在多线圈与单线圈数据上验证其优越性。
2024-05-09 cs.CV cs.LG eess.IV
KD-MRI: A knowledge distillation framework for image reconstruction and image restoration in MRI workflow
Indian Institute of Technology Madras（马德拉斯印度理工学院）
深度学习网络正在MRI工作流程的每个阶段中开发，并提供了最先进的结果。然而，这是以增加计算需求和存储为代价的。因此，在MRI工作流程的各个阶段用紧凑模型替换网络可以显著减少所需的存储空间并提供相当大的加速。在计算机视觉中，知识提取是一种常用的模型压缩方法。在我们的工作中，我们提出了一个知识蒸馏（KD）框架的图像到图像的MRI工作流程中的问题，以开发紧凑的，低参数的模型，而不会显着下降的性能。我们提出了基于注意力的特征提取方法和模仿损失的组合，并在流行的MRI重建架构DC-CNN上证明了其有效性。我们使用心脏、大脑和膝关节MRI数据集进行了广泛的实验，分别为4x、5x和8x加速度。我们观察到，使用我们提出的KD框架在教师的帮助下训练的学生网络在所有数据集和加速因子上都比在没有帮助的情况下训练的学生网络有了显着的改进。具体而言，对于Knee数据集，与教师相比，学生网络实现了$65\%$参数减少，CPU运行时间快2倍，GPU运行时间快1.5倍。此外，我们比较了我们的基于注意力的特征提取方法与其他特征提取方法。我们还进行了一项消融性研究，以了解基于注意力的蒸馏和模仿损失的意义。我们还扩展了我们的KD框架用于MRI超分辨率，并显示出令人鼓舞的结果。
2020-04-11 cs.CV cs.LG eess.IV
Resolution-Robust 3D MRI Reconstruction with 2D Diffusion Priors: Diverse-Resolution Training Outperforms Interpolation
Technical University of Munich（慕尼黑工业大学）
针对3D MRI重建中因体素大小变化导致的性能下降问题，本文提出多种分辨率鲁棒方法，发现基于多分辨率训练的数据中心策略优于基于模型的方法，且不牺牲准确性。
2024-12-24 cs.CV cs.LG eess.IV
Accelerating 3D MULTIPLEX MRI Reconstruction with Deep Learning
United Imaging Intelligence（联影智能）；UIH America, Inc.（联影美国公司）；United Imaging Healthcare（上海联影医疗科技股份有限公司）
多对比度MRI图像提供关于解剖结构特征的互补对比信息，并且通常用于临床实践。最近，多翻转角（FA）和多回波GRE方法（MULTIPLEX MRI）已被开发出来，只需一次扫描即可同时采集多个参数图像。然而，在3D高分辨率环境中使用MULTIPLEX带来了两个挑战：相对较长的扫描时间和用于重建的大量3D多对比度数据。目前，还没有提出基于DL的方法用于3D MULTIPLEX数据重建。我们提出了一个用于欠采样3D MRI数据重建的深度学习框架，并将其应用于MULTIPLEX MRI。所提出的深度学习方法在图像质量和重建时间方面表现出良好的性能。
2021-05-17 cs.LG eess.IV
XPDNet for MRI Reconstruction: an application to the 2020 fastMRI challenge
CEA（法国原子能与替代能源委员会）；Inria（法国国家信息与自动化研究所）；AIM（天体物理、物质科学与仪器实验室）；CNRS（法国国家科学研究中心）；Université Paris-Saclay（巴黎萨克雷大学）；Université Paris Diderot（巴黎第七大学）；Sorbonne Paris Cité（巴黎索邦西岱大学）
我们提出了一种新的神经网络，XPDNet，用于周期性欠采样多线圈数据的MRI重建。我们通过采用MRI重建和计算机视觉的最佳实践来设计该网络。我们表明，该网络可以实现最先进的重建结果，正如其在fastMRI 2020挑战中排名第二所示。
2021-07-07 cs.CV cs.LG eess.IV
Pseudo-MRI-Guided PET Image Reconstruction Method Based on a Diffusion Probabilistic Model
Washington University in St. Louis（圣路易斯华盛顿大学）；Yale University（耶鲁大学）；Western University（西安大略大学）；Lawson Health Research Institute（劳森健康研究所）；McGill University（麦吉尔大学）；Siemens Healthineers AG（西门子医疗保健公司）；Mallinckrodt Institute of Radiology（马林克罗特放射学研究所）
针对缺乏配对MRI的PET扫描无法利用解剖引导提升图像质量的问题，提出基于扩散概率模型从FDG-PET推断T1w-MRI并引导PET重建的方法，实验证明其能改善图像质量且效果与真实MRI引导相当。
2024-03-26 cs.CV eess.IV
MambaRecon: MRI Reconstruction with Structured State Space Models
Johns Hopkins University（约翰斯·霍普金斯大学）
提出MambaRecon框架，利用结构化状态空间模型（Mamba）进行MRI重建，增强长距离上下文敏感性，在公开脑部数据集上超越现有最先进基线。
2024-09-19 cs.CV eess.IV
Fast Controllable Diffusion Models for Undersampled MRI Reconstruction
School of Electrical Engineering and Computer Science, University of Queensland（昆士兰大学电气工程与计算机科学学院）；School of Mathematics and Physics, University of Queensland（昆士兰大学数学与物理学院）
本文提出PPN算法，通过加速扩散模型的可控生成过程，在无需成对数据和重新训练的情况下实现欠采样MRI的高保真快速重建，并适应不同采集参数。
2024-06-11 cs.LG eess.IV
Fine-grained MRI Reconstruction using Attentive Selection Generative Adversarial Networks
University of Edinburgh（爱丁堡大学）
压缩感知（CS）利用稀疏性为快速磁共振成像（fastMRI）提供基础。然而，不适定问题的迭代求解器阻碍了它们对时间关键应用的适应。此外，这样的先验既不能丰富地捕获复杂的解剖结构，也不能适用于满足现代MRI中高保真重建的需求。受最先进的图像生成方法的启发，我们提出了一种新的基于注意力的深度学习框架，以提供高质量的MRI重建。我们在生成对抗网络（GAN）框架中集成了大范围上下文特征集成和注意力选择。我们证明，与其他基于深度学习的方法相比，所提出的模型在图像质量以及与极低采样率饮食中的MRI重建相关性方面可以产生更好的结果。
2021-03-13 cs.CV eess.IV
A Brief Overview of Optimization-Based Algorithms for MRI Reconstruction Using Deep Learning
neuro42（神经42）
本文综述了专为MRI重建设计的最新基于优化的深度学习算法，填补了该领域缺乏全面综述的空白，旨在促进MRI社区的进一步创新与应用。
2024-06-03 cs.CV eess.IV math.OC
PixCUE: Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification
Monash University（莫纳什大学）
深度学习（DL）模型能够成功地利用MR数据中的潜在表示，并已成为加速MRI重建的最新技术。然而，k空间中的测量值采样不足以及DL的过度或欠参数化和不透明性质使这些模型暴露于不确定性。因此，不确定性估计已成为DL MRI重建中的主要问题。为了估计不确定性，蒙特卡罗（MC）推断技术已经成为一种常见的实践，其中利用多次重建来计算重建中的方差作为不确定性的测量。然而，这些方法需要高的计算成本，因为它们需要通过DL模型进行多次推断。为此，我们介绍了一种方法来估计在MRI重建过程中使用像素分类框架的不确定性。所提出的方法PixCUE（代表像素分类不确定性估计）在通过DL模型的单个前向传递期间产生重建图像以及不确定性图。我们证明，这种方法产生的不确定性地图，高度相关的重建误差相对于各种MR成像序列和许多敌对条件下。我们还表明，估计的不确定性相关的传统MC方法。我们还提供了使用PixCUE和公认的重建指标，如NMSE，PSNR和SSIM的不确定性估计之间的经验关系。我们的结论是，PixCUE是能够可靠地估计在MRI重建的不确定性，以最小的额外计算成本。
2023-03-08 cs.AI cs.CV cs.LG
Edge-weighted pFISTA-Net for MRI Reconstruction
Xiamen University（厦门大学）
基于展开算法的深度学习已成为加速磁共振成像（MRI）的有效方法。然而，许多方法忽略了直接使用边缘信息来辅助MRI重建。在这项工作中，我们提出了边缘加权的pFISTA-Net，它直接将检测到的边缘图应用于pFISTA-Net的软阈值部分。不同区域的软阈值将根据边缘图进行调整。公共大脑数据集的实验结果表明，与最先进的基于深度学习的方法相比，所提出的方法产生的重建具有更低的误差和更好的伪影抑制。边缘加权的pFISTA-Net还显示了对不同欠采样掩码和边缘检测算子的鲁棒性。此外，我们将边缘加权结构扩展到联合重建和分割网络，获得了更好的重建性能和更准确的分割结果。
2023-02-15 cs.CV eess.IV
Rethinking Dual-Domain Undersampled MRI reconstruction: domain-specific design from the perspective of the receptive field
University of Science and Technology of China（中国科学技术大学）
本文从感受野视角重新思考双域欠采样MRI重建，提出K空间全局初始化和图像域并行局部细节增强模块，改进的DuDoRNet+在IXI数据集上取得显著提升。
2024-02-15 cs.CV eess.IV
Memory-efficient Learning for High-Dimensional MRI Reconstruction
UC Berkeley（加州大学伯克利分校）；UCSF（加州大学旧金山分校）；Stanford University（斯坦福大学）；UT Austin（德克萨斯大学奥斯汀分校）；International Computer Science Institute（国际计算机科学研究所）
基于深度学习（DL）的展开重建已显示出欠采样磁共振成像（MRI）的最新性能。类似于压缩感知，DL可以利用高维数据（例如，3D、2D+时间、3D+时间）来进一步提高性能。然而，网络的大小和深度目前受到反向传播所需的GPU内存的限制。在这里，我们使用了一个内存高效学习（MEL）框架，该框架在训练过程中有利地权衡了存储和可管理的计算增加。使用具有多维数据的MEL，我们证明了体内3D MRI和2D+时间心脏电影MRI的图像重建性能的改善。MEL使用更少的GPU内存，同时略微增加了训练时间，这使得DL在高维MRI中的新应用成为可能。
2021-03-06 cs.CV eess.IV
Prospective Dynamic 3D MRI Reconstruction via Latent-Space Motion Tracking from Single Measurement
University of Michigan（密歇根大学）
提出PDMR框架，通过离线学习运动场的低维潜流形并采用三平面表示实现高效编码，从单次测量中实现高保真、时间一致的前瞻性动态3D MRI重建。
2026-06-02 cs.CV eess.IV
MRI Image Reconstruction via Learning Optimization Using Neural ODEs
United Imaging Intelligence（联影智能）
我们建议制定MRI图像重建作为一个优化问题和模型的优化轨迹作为一个动态过程，使用常微分方程（ODE）。我们用神经网络对ODE中的动力学进行建模，并用现成的（固定的）求解器求解所需的ODE以获得重建图像。我们扩展了这个模型，并将现成的ODE求解器的知识融入到网络设计中（学习求解器）。我们调查了几个模型的基础上三个ODE求解器和固定求解器和学习求解器的模型进行比较。我们的模型实现了更好的重建结果，并且比其他流行的方法（如UNet和级联CNN）更具参数效率。我们介绍了一种新的方法来解决MRI重建问题的建模连续优化动态使用神经常微分方程。
2020-09-14 cs.LG eess.IV
ODE-based Deep Network for MRI Reconstruction
Harvard Medical School（哈佛医学院）
磁共振成像（MRI）中的快速数据采集需求极大，扫描时间直接取决于采集的k空间样本的数量。与传统方法相比，基于深度神经网络的数据驱动方法在图像重建算法方面取得了很大的进步。深度神经网络和常微分方程（ODE）之间的联系最近被观察和研究。研究表明，不同的残差网络可以解释为一个常微分方程的欧拉离散化。在本文中，我们提出了一种基于ODE的深度网络用于MRI重建，以实现快速采集MR图像并提高图像质量。我们对欠采样数据的结果表明，与基于标准UNet网络和残差网络的重建方法相比，我们的方法可以提供更高质量的图像。
2019-12-27 cs.CV eess.IV
Single-pass Object-adaptive Data Undersampling and Reconstruction for MRI
Michigan State University（密歇根州立大学）
最近，人们对通过获取有限的测量值来加速MRI中的数据获取过程的技术非常感兴趣。通常部署复杂的重建算法以在这样的设置中保持高图像质量。在这项工作中，我们提出了一个数据驱动的采样器，使用卷积神经网络，MNet，提供对象特定的采样模式自适应每个扫描对象。该网络观察每个对象的非常有限的低频k空间数据，并一次性快速预测所需的欠采样模式，从而实现高图像重建质量。我们提出了一个伴随的交替型训练框架与掩码向后的过程，有效地生成训练标签的采样器网络和联合训练的图像重建网络。在fastMRI膝关节数据集上的实验结果表明，所提出的学习欠采样网络能够在四倍和八倍加速下生成对象特定的掩模，从而实现优于几种现有方案的图像重建性能。所提出的联合采样和重构学习框架的源代码可在https://github.com/zhishenhuang/mri获得。
2022-05-18 cs.CV cs.LG eess.IV
Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Inner Mongolia University（内蒙古大学）
最近，基于分数的扩散模型在MRI重建中表现出令人满意的性能。这些方法中的大多数需要大量的完全采样的MRI数据作为训练集，这在实践中有时很难获得。本文提出了一种基于分数的全采样无数据扩散模型用于MRI重建，该模型在欠采样数据上以自监督的方式学习全采样MR图像先验。具体来说，我们首先通过贝叶斯深度学习从欠采样数据中推断出完全采样的MR图像分布，然后扰动数据分布并通过训练得分函数来近似它们的概率密度梯度。利用学习的分数函数作为先验，我们可以通过执行条件Langevin马尔可夫链蒙特卡罗（MCMC）采样来重建MR图像。在公共数据集上的实验表明，该方法优于现有的自监督MRI重建方法，并实现了与传统的（完全采样数据训练的）基于分数的扩散方法相当的性能。
2022-09-02 cs.CV eess.IV
Joint Diffusion: Mutual Consistency-Driven Diffusion Model for PET-MRI Co-Reconstruction
School of Mathematical Sciences, Inner Mongolia University（内蒙古大学数学科学学院）
针对PET信噪比低、MRI采集耗时的问题，提出互一致性驱动的MC-Diffusion模型，通过学习双模态联合概率分布利用互补信息实现PET-MRI联合重建，在ADNI数据集上性能优于现有方法。
2024-07-11 cs.CV eess.IV
Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks
Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
利用正则化最小二乘方法对压缩感知MRI（CS-MRI）中欠采样k空间测量值进行重建。最近，深度学习已被用于通过在欠采样测量数据集上训练重建网络来摊销这种优化。这里，关键的设计选择是正则化函数和对应的权重。在本文中，我们探索了一种新的策略，使用超网络来生成一个单独的重建网络的参数作为正则化权重的函数，从而产生一个正则化不可知的重建模型。在测试时，对于给定的欠采样图像，我们的模型可以快速计算具有不同正则化量的重建。我们分析了这些重建的可变性，特别是在整体质量相似的情况下。最后，我们提出并实证证明了一个有效的和数据驱动的方式，最大限度地提高重建性能有限的超网络容量。我们的代码可在https://github.com/alanqrwang/RegAgnosticCSMRI上公开获取。
2021-01-06 cs.CV eess.IV
Recon-GLGAN: A Global-Local context based Generative Adversarial Network for MRI Reconstruction
Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校）；Healthcare Technology Innovation Centre (HTIC)（医疗技术创新中心）
磁共振成像（MRI）是最好的医学成像方式之一，因为它提供了出色的空间分辨率和软组织对比度。但是，MRI的使用受到其缓慢采集时间的限制，这使得其昂贵并导致患者不适。为了加速收购，已经提出了多个深度学习网络。最近，生成对抗网络（GANs）在MRI重建中表现出了很好的效果。所提出的基于GAN的方法的缺点是它没有结合关于最终目标的先验信息，这可以帮助更好地重建。例如，在心脏MRI的情况下，医师将对具有诊断相关性的心脏区域感兴趣，而排除外围区域。在这项工作中，我们表明，在模型中纳入有关感兴趣区域的先验信息将提供更好的性能。因此，我们提出了一种新的基于GAN的架构，重建全局-局部GAN（Recon-GLGAN）的MRI重建。该模型包含一个生成器和一个上下文查询器，它结合了来自图像的全局和局部上下文信息。我们的模型提供了显着的性能改进的基线模型。我们的实验表明，上下文重建的概念可以扩展到现有的基于GAN的重建模型，以提供更好的性能。我们还表明，从所提出的方法的重建分割结果类似于完全采样的图像。
2019-08-25 cs.CV eess.IV
Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction
University of Cambridge（剑桥大学）
本文提出一种无监督自适应由粗到细框架，利用隐式神经表示和渐进式k空间自监督策略，在不依赖全采样数据且不受欠采样模式限制的情况下提升扫描特定MRI重建质量，并在2D和3D数据上以最高8倍欠采样超越现有方法。
2023-12-01 cs.CV eess.IV
Adaptive Gradient Balancing for Undersampled MRI Reconstruction and Image-to-Image Translation
Tel Aviv University（特拉维夫大学）；GE Research（GE研究院）；GE Healthcare（GE医疗）
最近的加速MRI重建模型使用深度神经网络（DNN）从高度欠采样的k空间数据中重建相对高质量的图像，从而实现更快的MRI扫描。然而，这些技术有时很难重建清晰的图像，在保持自然外观的同时保留精细的细节。在这项工作中，我们通过使用条件Wasserstein生成对抗网络结合一种新的自适应梯度平衡（AGB）技术来提高图像质量，该技术自动化了对抗和像素项的组合过程，并简化了超参数调整。此外，我们还介绍了一种密集连接迭代网络，这是一种利用密集连接的欠采样MRI重建网络。在MRI中，我们的方法最大限度地减少了伪影，同时保持了高质量的重建，产生比其他技术更清晰的图像。为了证明我们的方法的一般性质，它进一步评估了一系列图像到图像的翻译实验，证明了在多项对抗训练中从次优权重恢复的能力。
2021-04-05 cs.CV eess.IV
Domain generalization in fetal brain MRI segmentation \\with multi-reconstruction augmentation
Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV））；University of Lausanne (UNIL)（洛桑大学（UNIL））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）
针对胎儿脑MRI标注数据稀缺、队列变异有限的问题，本文提出利用SR重建以不同参数生成同一受试者的多重重建，作为免调参数据增强策略，提升分割模型跨SR流程的域泛化能力。
2022-11-25 cs.CV eess.IV
A Learnable Variational Model for Joint Multimodal MRI Reconstruction and Synthesis
University of Florida（佛罗里达大学）；Georgia State University（佐治亚州立大学）
生成相同解剖结构的多对比/模态MRI丰富了诊断信息，但由于过多的数据采集时间而在实践中受到限制。在本文中，我们提出了一种新的深度学习模型，用于使用几种源模态的不完整k空间数据作为输入的多模态MRI的联合重建和合成。我们的模型的输出包括源模态的重建图像和在目标模态中合成的高质量图像。我们提出的模型被制定为一个变分问题，利用几个可学习的模态特定的特征提取器和多模态合成模块。我们提出了一个可学习的优化算法来解决这个模型，它诱导了一个多相网络，其参数可以使用多模态MRI数据进行训练。此外，一个双层优化框架，用于强大的参数训练。我们证明了我们的方法使用广泛的数值实验的有效性。
2022-06-28 cs.CV cs.LG eess.IV
Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction
Rutgers University（罗格斯大学）；New York University（纽约大学）
本文针对动态与多对比度MRI重建中模型容量受限和输入适应性差的问题，提出两阶段流程：先通过基于提示的PromptMR填充k空间，再以视频恢复方式精化图像，显著超越现有方法。
2023-09-25 cs.CV eess.IV
DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic Models
The Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology（南方科技大学）；HKUST Shenzhen Research Institute（香港科技大学深圳研究院）
该研究提出基于条件去噪扩散概率模型的 DiffCMR 框架，用于欠采样心脏 MRI 去噪重建，并通过多轮集成提升稳定性，在 CMRxRecon 数据集上达到最先进性能。
2023-12-08 cs.CV eess.IV
High-Fidelity Accelerated MRI Reconstruction by Scan-Specific Fine-Tuning of Physics-Based Neural Networks
Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系）
长扫描持续时间仍然是高分辨率MRI的一个挑战。通过提供直接从数据中学习的数据驱动正则化器，深度学习已经成为加速MRI重建的强大手段。这些数据驱动的先验知识在训练过程中学习后，通常在测试阶段的未来数据中保持不变。在这项研究中，我们建议使用迁移学习的方法来微调这些正则化的新科目使用自我监督的方法。虽然所提出的方法可能会影响深度学习MRI方法的极快重建时间，但我们在膝关节MRI上的结果表明，这种自适应可以大大减少重建图像中的剩余伪影。此外，所提出的方法有可能降低泛化到罕见病理条件的风险，这可能在训练数据中不可用。
2020-05-12 cs.CV cs.LG eess.IV
Hybrid Learning: A Novel Combination of Self-Supervised and Supervised Learning for Joint MRI Reconstruction and Denoising in Low-Field MRI
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；NYU Tandon School of Engineering（纽约大学坦登工程学院）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
混合学习结合自监督和监督学习，有效解决低信噪比下MRI重建和去噪问题，提升图像质量。
2025-12-31 cs.CV eess.IV
