메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Ziwen Ke (Shenzhen Institutes of Advanced Chinese Academy of Sciences) Yanjie Zhu (Shenzhen Institutes of Advanced Chinese Academy of Sciences) Dong Liang (Shenzhen Institutes of Advanced Chinese Academy of Sciences)
저널정보
대한자기공명의과학회 Investigative Magnetic Resonance Imaging Investigative Magnetic Resonance Imaging 제24권 제4호
발행연도
2020.1
수록면
214 - 222 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Dynamic magnetic resonance (MR) imaging has generated great research interest, because it can provide both spatial and temporal information for clinical diagnosis. However, slow imaging speed or long scanning time is still a challenge for dynamic MR imaging. Most existing methods reconstruct dynamic MR images from incomplete k -space data under the guidance of compressed sensing (CS) or lowrank theory, which suffer from long iterative reconstruction time. Recently, deep learning has shown great potential in accelerating dynamic MR. Our previous work proposed a dynamic MR imaging method with both k-space and spatial prior knowledge integrated via multi-supervised network training. Nevertheless, there was still some smoothing needed in the reconstructed images at high acceleration. In this work, we propose cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint, dubbed cascaded residual dense networks (CRDN). Specifically, the cascaded residual dense networks fully exploit the hierarchical features from all the convolutional layers with both local and global feature fusion. We further use the higher-degree total variation loss function, which has the edge enhancement properties, for training the networks.
#Dynamic MR imaging #Deep learning #Compressed sensing #Dense #Local feature #Global feature #Total variation

목차

등록된 정보가 없습니다.

참고문헌 (34)

참고문헌 신청
Kaiser WA / 1989 / MR imaging of the breast: fast imaging sequences with and without Gd-DTPA. Preliminary observations / Radiology 170:681~686 google schola Sodickson DK / 1997 / Simultaneous acquisition of spatial harmonics(SMASH) : fast imaging with radiofrequency coil arrays / Magn Reson Med 38:591~603 google schola Donoho DL / 2006 / Compressed sensing / IEEE Trans Inf Theory 52:1289~1306 google schola Lustig M / 2007 / Sparse MRI : the application of compressed sensing for rapid MR imaging / Magn Reson Med 58:1182~1195 google schola Jung H / 2007 / Improved k-t BLAST and k-t SENSE using FOCUSS / Phys Med Biol 52:3201~3226 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0