⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-09 更新
INR meets Multi-Contrast MRI Reconstruction
Authors:Natascha Niessen, Carolin M. Pirkl, Ana Beatriz Solana, Hannah Eichhorn, Veronika Spieker, Wenqi Huang, Tim Sprenger, Marion I. Menzel, Julia A. Schnabel
Multi-contrast MRI sequences allow for the acquisition of images with varying tissue contrast within a single scan. The resulting multi-contrast images can be used to extract quantitative information on tissue microstructure. To make such multi-contrast sequences feasible for clinical routine, the usually very long scan times need to be shortened e.g. through undersampling in k-space. However, this comes with challenges for the reconstruction. In general, advanced reconstruction techniques such as compressed sensing or deep learning-based approaches can enable the acquisition of high-quality images despite the acceleration. In this work, we leverage redundant anatomical information of multi-contrast sequences to achieve even higher acceleration rates. We use undersampling patterns that capture the contrast information located at the k-space center, while performing complementary undersampling across contrasts for high frequencies. To reconstruct this highly sparse k-space data, we propose an implicit neural representation (INR) network that is ideal for using the complementary information acquired across contrasts as it jointly reconstructs all contrast images. We demonstrate the benefits of our proposed INR method by applying it to multi-contrast MRI using the MPnRAGE sequence, where it outperforms the state-of-the-art parallel imaging compressed sensing (PICS) reconstruction method, even at higher acceleration factors.
多对比度MRI序列能够在单次扫描中获取具有不同组织对比度的图像。所得的多对比度图像可用于提取有关组织微观结构的定量信息。为了使这样的多对比度序列适用于临床常规应用，通常需要缩短非常长的扫描时间，例如通过k空间中的欠采样来实现。然而，这会给重建带来挑战。通常，先进的重建技术，如压缩感知或基于深度学习的方法，尽管加快了扫描速度，但仍可实现高质量图像的采集。在这项工作中，我们利用多对比度序列的冗余解剖学信息来实现更高的加速率。我们使用欠采样模式来捕获位于k空间中心的对比度信息，同时在不同对比度之间进行互补欠采样以获取高频信息。为了重建这种高度稀疏的k空间数据，我们提出了一种隐式神经表示（INR）网络，它非常适合使用不同对比度之间获取的互补信息，因为它会联合重建所有对比度的图像。我们通过将所提出的方法应用于使用MPnRAGE序列的多对比度MRI，展示了INR方法的好处。在该应用中，即使在较高的加速因子下，其性能也优于最先进的并行成像压缩感知（PICS）重建方法。
论文及项目相关链接
Summary
多对比MRI序列可在单次扫描中获取不同组织对比度的图像。利用所得的多对比图像可以提取关于组织微观结构的定量信息。为将此类多对比序列应用于临床常规应用，需要缩短通常非常长的扫描时间，例如通过k空间中的欠采样来实现。然而，这给重建带来了挑战。通常，先进的重建技术（如压缩感知或基于深度学习的方法）可以实现高质量的图像加速。在这项工作中，我们利用多对比序列的冗余解剖信息来实现更高的加速率。我们采用欠采样模式来捕捉位于k空间中心的对比信息，同时在不同对比之间进行互补欠采样以获取高频信息。为了重建这种高度稀疏的k空间数据，我们提出了一种适用于利用跨对比获得的互补信息的隐神经表示（INR）网络，因为它可以联合重建所有对比图像。我们将所提出的方法应用于使用MPnRAGE序列的多对比MRI，结果表明即使在较高的加速因子下，该方法也优于最新的并行成像压缩感知（PICS）重建方法。
Key Takeaways
- 多对比MRI序列能够在单次扫描中获取不同组织对比度的图像。
- 缩短扫描时间可通过k空间中的欠采样来实现。
- 先进的重建技术如压缩感知或深度学习方法有助于在加速情况下获得高质量图像。
- 利用多对比序列的冗余解剖信息可以提高加速率。
- 欠采样模式用于捕捉k空间中心的对比信息，同时在不同对比间进行互补欠采样以获取高频信息。
- 隐神经表示（INR）网络适用于跨对比的重建，能联合重建所有对比图像。
点此查看论文截图
CPEP: Contrastive Pose-EMG Pre-training Enhances Gesture Generalization on EMG Signals
Authors:Wenhui Cui, Christopher Sandino, Hadi Pouransari, Ran Liu, Juri Minxha, Ellen L. Zippi, Aman Verma, Anna Sedlackova, Behrooz Mahasseni, Erdrin Azemi
Hand gesture classification using high-quality structured data such as videos, images, and hand skeletons is a well-explored problem in computer vision. Leveraging low-power, cost-effective biosignals, e.g. surface electromyography (sEMG), allows for continuous gesture prediction on wearables. In this paper, we demonstrate that learning representations from weak-modality data that are aligned with those from structured, high-quality data can improve representation quality and enables zero-shot classification. Specifically, we propose a Contrastive Pose-EMG Pre-training (CPEP) framework to align EMG and pose representations, where we learn an EMG encoder that produces high-quality and pose-informative representations. We assess the gesture classification performance of our model through linear probing and zero-shot setups. Our model outperforms emg2pose benchmark models by up to 21% on in-distribution gesture classification and 72% on unseen (out-of-distribution) gesture classification.
利用高质量的结构化数据（如视频、图像和手骨架）进行手势分类是计算机视觉领域的一个研究热点。利用低功耗、成本效益高的生物信号（如表面肌电图（sEMG））可在可穿戴设备上实现连续手势预测。本文展示了从弱模态数据学习表示，并与结构化高质量数据对齐，可以提高表示质量并实现零样本分类。具体来说，我们提出了对比姿态肌电图预训练（CPEP）框架，将肌电图和姿态表示对齐，其中我们学习一个肌电图编码器，以产生高质量和姿态信息丰富的表示。我们通过线性探测和零样本设置评估了模型的手势分类性能。我们的模型在内部分发手势分类上优于emg2pose基准模型高达21%，在未见过（超出分布范围）的手势分类上提高了72%。
论文及项目相关链接
摘要
本研究探讨了利用低成本生物信号表面肌电图（sEMG）进行连续手势预测的方法。研究提出了一种对比姿态肌电图预训练（CPEP）框架，该框架能够实现对EMG和姿态表示的对齐，从而提高表示质量和实现零样本分类。通过线性探测和零样本设置评估模型的手势分类性能，该模型在内部数据手势分类上优于emg2pose基准模型高达21%，在未见过的手势分类上准确率提高72%。
关键见解
- 研究利用低成本生物信号表面肌电图（sEMG）进行连续手势预测。
- 对比姿态肌电图预训练（CPEP）框架能够实现对EMG和姿态表示的对齐。
- CPEP框架可以提高表示质量，并能够实现零样本分类。
- 通过线性探测和零样本设置评估模型性能。
- 模型在内部数据手势分类上表现优异，准确率高于emg2pose基准模型。
- 模型在未见过的手势分类上表现出更高的准确率，达到72%的提升。
- 该研究为利用弱模态数据学习高质量表示提供了一种有效方法。
点此查看论文截图
