Deep MRI Reconstruction

用于 MR 图像重建的卷积神经网络和卷积循环神经网络的深度级联

---

使用深度级联卷积神经网络 (DC-CNN) 和卷积循环神经网络 (CRNN-MRI) 根据欠采样测量结果重建 MR 图像。该存储库包含使用 Theano 和 Lasagne 的 DC-CNN 的实现，以及使用 PyTorch 的 CRNN-MRI 的实现，以及简单的演示。请注意，该库需要 Lasagne 和 Theano 的开发版本，以及使用 CUFFT 库的 pygpu 后端。 PyTorch 版本需要高于 Torch 0.4。一些玩具数据集借自。

1. 2D 重建

用法：

 python main_2d.py --num_epoch 5 --batch_size 2

---

2.动态重建

使用具有数据共享层的 DC-CNN 根据欠采样测量重建动态 MR 图像。请注意，除了上面指定的要求之外，该库还需要 CUDNN。

用法：

 python main_3d.py --acceleration_factor 4

---

3. 使用卷积递归神经网络进行动态重建

使用卷积递归神经网络根据欠采样测量重建动态 MR 图像。这是需要 Torch 0.4 的 pytorch 实现。

用法：

 python main_crnn.py --acceleration_factor 4

---

引用和致谢

如果您在工作中使用该代码，或者您发现该代码有用，请引用以下作品。

二维重建：

 Schlemper, J.、Caballero, J.、Hajnal, JV、Price, A. 和 Rueckert, D. 用于 MR 图像重建的卷积神经网络的深度级联。医学影像信息处理 (IPMI)，2017

---

该论文也可以在 arXiv 上找到：

动态重建：

 Schlemper, J.、Caballero, J.、Hajnal, JV、Price, A. 和 Rueckert, D. 用于动态 MR 图像重建的卷积神经网络深度级联。 ArXiv 1704.02422

---

该论文也可以在 arXiv 上找到：

使用 CRNN 进行动态重建：

 Qin, C.、Schlemper, J.、Caballero, J.、Hajnal, JV、Price, A. 和 Rueckert, D. 用于动态 MR 图像重建的卷积循环神经网络。 IEEE 医学成像交易 (2018)。

---

该论文也可以在 arXiv 上找到：