Tiefe Kaskade von Faltungs-Neuronalen Netzen und Faltungs-Rekurrenten Netzen für die MR-Bildrekonstruktion
Rekonstruieren Sie MR-Bilder aus den unterabgetasteten Messungen mithilfe von Deep Cascade of Convolutional Neural Networks (DC-CNN) und Convolutional Recurrent Neural Networks (CRNN-MRI). Dieses Repository enthält die Implementierung von DC-CNN mit Theano und Lasagne und CRNN-MRI mit PyTorch sowie einfache Demos. Beachten Sie, dass die Bibliothek die Entwicklungsversion von Lasagne und Theano sowie ein Pygpu-Backend für die Verwendung der CUFFT-Bibliothek erfordert. Die PyTorch-Version muss höher als Torch 0.4 sein. Ein Teil des Spielzeugdatensatzes wurde von <http://mridata.org> übernommen.
Verwendung:
python main_2d.py --num_epoch 5 --batch_size 2
Rekonstruieren Sie dynamische MR-Bilder aus den unterabgetasteten Messungen mithilfe von DC-CNN mit Datenfreigabeschicht. Beachten Sie, dass die Bibliothek zusätzlich zu der oben angegebenen Anforderung CUDNN benötigt.
Verwendung:
python main_3d.py --acceleration_factor 4
Rekonstruieren Sie dynamische MR-Bilder aus den unterabgetasteten Messungen mithilfe von Convolutional Recurrent Neural Networks. Dies ist eine Pytorch-Implementierung, die Torch 0.4 erfordert.
Verwendung:
python main_crnn.py --acceleration_factor 4
Wenn Sie den Code für Ihre Arbeit verwenden oder den Code für Sie nützlich fanden, zitieren Sie bitte die folgenden Werke.
2D-Rekonstruktion:
Schlemper, J., Caballero, J., Hajnal, JV, Price, A. & Rueckert, D. Eine tiefe Kaskade von Faltungs-Neuronalen Netzen für die MR-Bildrekonstruktion. Informationsverarbeitung in der medizinischen Bildgebung (IPMI), 2017
Das Papier ist auch auf arXiv verfügbar: <https://arxiv.org/pdf/1703.00555.pdf>
Dynamische Rekonstruktion:
Schlemper, J., Caballero, J., Hajnal, JV, Price, A. & Rueckert, D. Eine tiefe Kaskade von Faltungs-Neuronalen Netzen für die dynamische MR-Bildrekonstruktion. ArXiv 1704.02422
Das Papier ist auch auf arXiv verfügbar: <https://arxiv.org/pdf/1704.02422.pdf>
Dynamische Rekonstruktion mit CRNN:
Qin, C., Schlemper, J., Caballero, J., Hajnal, JV, Price, A. & Rueckert, D. Faltungsrekurrente neuronale Netze für die dynamische MR-Bildrekonstruktion. IEEE-Transaktionen zur medizinischen Bildgebung (2018).
Das Papier ist auch auf arXiv verfügbar: <https://arxiv.org/pdf/1712.01751.pdf>
