Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 5, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

556

使用卷积神经网络进行静态并行传输设计的无监督深度学习:一项回顾性研究.

Toygan Kilic1,2, Patrick Liebig3, Omer Burak Demirel1,2

  • 1Electrical and Computer Engineering, University of Minnesota, Minneapolis, Minnesota, USA.

Magnetic resonance in medicine
|January 22, 2024
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Characterizing Metabolic and Compositional Heterogeneity of Calf Muscle Using CEST MRI at 3 T.

NMR in biomedicine·2026
Same author

An 80-channel receive array for 10.5T neuroimaging: Key considerations for SNR optimization.

bioRxiv : the preprint server for biology·2026
Same author

Real-time AI integration for MR to detect artifacts and guide pulse sequence adaptations.

bioRxiv : the preprint server for biology·2026
Same author

Functional MRI of the Human Hippocampus at 10.5T: Pushing the Boundaries of Spatial Resolution.

bioRxiv : the preprint server for biology·2026
Same author

Bridging the gap with invasive imaging: promises and challenges of a new generation of ultrahigh resolution fMRI.

bioRxiv : the preprint server for biology·2026
Same author

How Much Does Motion Matter? Evaluating the Motion Robustness of pTx Pulses at 7 T.

Magnetic resonance in medicine·2026

本研究引入了使用卷积神经网络 (CNN) 的无监督深度学习,以改善 7T MRI 中的 B1+ 不同质性. 这种新方法在平行传输 (pTx) 应用中的速度和稳定性方面优于传统解决方案.

科学领域:

  • 磁共振成像 (MRI) 是一种磁共振成像技术.
  • 医疗成像中的人工智能
  • 生物物理学的生物物理.

背景情况:

  • 在高场 (7T) 核磁共振中,B1+异质性是一个重大挑战,特别是在多通道发射阵列中.
  • 现有的深度学习方法用于并行传输 (pTx) 脉冲设计,通常依赖于受监督的培训,并且不有效地利用多道B1+地图.
  • 卷积神经网络 (CNN) 提供了处理B1+地图等复杂空间数据的潜力.

研究的目的:

  • 开发和评估一种使用CNN的无监督深度学习方法,以减轻多通道传输阵列在7T的B1+不均性.
  • 通过无监督培训策略,实现使用多通道B1+地图的CNN.
  • 通过使用物理驱动的损失函数来消除计算参考发射射频权重的需要.

主要方法:

  • 连锁的多通道B1+地图沿着空间维度用于适合CNN的移位等价值处理.
  • 实施无监督训练,使用物理驱动的损失函数,最大限度地减少布洛赫模拟差异.
  • 在一个数据集上训练了该模型,该数据集包括3824张来自7T获得的143名健康受试者的2D斜多通道B1+地图.
  • 将拟议的方法与静态 pTx 设计的非规则化最小平方 (MLS) 解决方案进行了比较.

主要成果:

  • 无监督CNN方法在减少根平均平方 (RMS) 误差和变化系数方面表现优于非规范化的MLS.
关键词:
7 T T T T T 7 T T T T 7 T T T T 7 T T T 7 T T T 7 T T T T 7 T T T 7 T T T T 7 T T T T 7 T T 7 T T T T 7 T T T 7 T T T T 7 T T T T 7 T T T T 7 T T T T 7 T T T T T 7 T T T T 7 T T T T 7 T T T T T T 7 T T T T T 7 T T T T 7 T T T T 7 T T T T T 7 T T T T T T 7 T T T T T T T T T T T T T T T T 7 T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T 7 T T T T T T T T T T T T T T T T T T T T T 7 T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T T无线电频道的不均质缓解卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.平行激发激发是一种平行刺激.没有监督的学习学习.

更多相关视频

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

774
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.2K

相关实验视频

Last Updated: Jul 5, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

556
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

774
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.2K
  • 拟议的方法实现了与MLS解决方案相比较的能源消耗.
  • 与非规则化的MLS解决方案不同,拟议的方法避免了局部相异常,防止了磁化结果中的洞.

    • 结论:

    • 与无监督的MLS相比,使用CNN的无监督深度学习为静态并行传输 (pTx) 提供了更有效和更强大的解决方案.
    • 开发的方法提高了解决7T的B1+不均性的速度和稳定性.
    • 这种方法使CNN能够以计算效率高的方式应用于多通道B1+映射.