Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.17152

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.17152 (eess)
[提交于 2025年1月28日 ]

标题: 使用深度能量模型的三维扩散加权多板MRI及其切片轮廓补偿

标题: Three-Dimensional Diffusion-Weighted Multi-Slab MRI With Slice Profile Compensation Using Deep Energy Model

Authors:Reza Ghorbani, Jyothi Rikhab Chand, Chu-Yu Lee, Mathews Jacob, Merry Mani
摘要: 三维(3D)多板采集是一种在高分辨率扩散加权磁共振成像(MRI)中经常使用的技术,目的是实现最佳的信噪比(SNR)效率。 然而,该技术受到板边界伪影的限制,这些伪影会导致板之间的强度波动和混叠,从而降低解剖成像的准确性。 解决这个问题对于提高扩散MRI的质量,并使高分辨率成像在临床和研究应用中更加可行至关重要。 在这项工作中,我们在Plug-and-Play ADMM框架内提出了一种正则化板轮廓编码(PEN)方法,结合了多尺度能量(MuSE)正则化,以有效改善板组合重建。 实验结果表明,所提出的正则化方法相较于非正则化和TV正则化的PEN方法显著提高了图像质量。 正则化PEN框架为高分辨率3D扩散MRI提供了一个更稳健和高效的解决方案,可能在各种应用中实现更清晰、更可靠的解剖成像。
摘要: Three-dimensional (3D) multi-slab acquisition is a technique frequently employed in high-resolution diffusion-weighted MRI in order to achieve the best signal-to-noise ratio (SNR) efficiency. However, this technique is limited by slab boundary artifacts that cause intensity fluctuations and aliasing between slabs which reduces the accuracy of anatomical imaging. Addressing this issue is crucial for advancing diffusion MRI quality and making high-resolution imaging more feasible for clinical and research applications. In this work, we propose a regularized slab profile encoding (PEN) method within a Plug-and-Play ADMM framework, incorporating multi-scale energy (MuSE) regularization to effectively improve the slab combined reconstruction. Experimental results demonstrate that the proposed method significantly improves image quality compared to non-regularized and TV-regularized PEN approaches. The regularized PEN framework provides a more robust and efficient solution for high-resolution 3D diffusion MRI, potentially enabling clearer, more reliable anatomical imaging across various applications.
评论: 4页,4幅图,ISBI2025会议论文
主题: 图像与视频处理 (eess.IV) ; 人工智能 (cs.AI); 医学物理 (physics.med-ph)
引用方式: arXiv:2501.17152 [eess.IV]
  (或者 arXiv:2501.17152v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.17152
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Reza Ghorbani [查看电子邮件]
[v1] 星期二, 2025 年 1 月 28 日 18:53:16 UTC (3,465 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
eess
eess.IV
physics
physics.med-ph

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号