2024-01-11发表于上海
2023-12-24发表于威斯康星
2023-12-22发表于上海
2023-12-21发表于上海
2023-12-13发表于上海
2023-11-24发表于上海
2023-11-22发表于上海
2023-11-20发表于上海
2023-11-19发表于上海
2023-02-18发表于上海
#深度学习#众所周知，诊断和快速的脊柱MRI对于基于价值的、有效的和具有成本效益的工作流程是必不可少的，是提高MRI流转速度的基石。
深度学习（DL）可用于提高加速的MRI采集。基于DL的MRI重建的主要目的是通过使用深度神经网络从较少或 "欠采样 "的K空间数据中重建高质量的图像来促进更快的扫描。这可以通过所谓的 "基于物理的DL MRI技术 "来实现，该技术在数据一致性和基于神经网络的正则器之间交替进行有限次数的迭代，从而展开正则化迭代算法。目前研究的DL重建方面是在一个单独的、通常是数值密集型的过程中对这些模型参数进行优化，并在示范数据上进行。一旦固定下来，该模型就可以被部署并且可在未来的数据上使用。据我们所知，在实际的临床场景中，缺乏对快速获得的、低采样的脊柱MRI进行前瞻性的DL重建的研究。
2023-02-15
#深度学习#在人体中，踝关节是最复杂的关节之一，有多个韧带和肌腱的附着及支撑。在美国，每天大约有10000人出现踝关节损伤，其中最常见的损伤类型是扭伤。磁共振（MR）成像因其软组织对比度最高，已成为评估肌肉骨骼疾病的主要成像方式之一。然而，由于编码时间长，数据采集过程十分缓慢，漫长的扫描时间所带来的是检查费用的增加及病人数量的减少，同时，图像质量也经常受到运动伪影的影响。
随着技术的进步，平行成像（PI）和压缩传感（CS）的发展加速了MR图像的采集。CS减少了K空间的采集线数，并通过迭代重建算法恢复了丢失的数据。多项研究表明，CS和PI的组合可以将踝关节的MR图像采集时间减少20%，而不影响诊断性能。最近，基于深度学习的方法，如卷积神经网络（CNN）和生成对抗网络（GAN）已经显示出加速MR成像数据采集过程的良好效果。
2022-10-07
2022-09-22
2022-08-28
2022-06-13
