# FDB
Official PyTorch implementation of FDB as described in the [paper](https://arxiv.org/abs/2308.01096)
Muhammad U. Mirza, Onat Dalmaz, Hasan A. Bedel, Gokberk Elmas, Yilmaz Korkmaz, Alper Gungor, Salman UH Dar, Tolga Çukur, "Learning Fourier-Constrained Diffusion Bridges for MRI Reconstruction", arXiv 2023.
<img src="./figures/ddpm_vs_fdb.png" width="600px">
## Dependencies
```
python==3.8.13
blobfile==2.0.2
h5py==3.9.0
imageio==2.22.1
mpi4py==3.1.4
numpy==1.24.4
Pillow==10.0.0
torch==2.0.1
```
## Installation
- Clone this repo:
```
git clone https://github.com/icon-lab/FDB
cd FDB
```
## Train
<br />
For Single-Coil
```
python train.py --data_dir /path_to_data/ --log_interval 5000 --save_dir 'model_singlecoil' --save_interval 5000 --image_size 256 --num_channels 128 --num_res_blocks 3 --learn_sigma False --dropout 0.3 --diffusion_steps 1000 --lr 1e-4 --batch_size 1 --lr_anneal_steps 100000 --undersampling_rate 2 --data_type 'singlecoil'
```
For Multi-Coil
```
python train.py --data_dir /path_to_data/ --log_interval 5000 --save_dir 'model_multicoil' --save_interval 5000 --image_size 384 --num_channels 128 --num_res_blocks 3 --learn_sigma False --dropout 0.3 --diffusion_steps 1000 --lr 1e-4 --batch_size 1 --lr_anneal_steps 15000 --undersampling_rate 2 --data_type 'multicoil'
```
<br />
## Inference
<br />
For Single-Coil
```
python sample.py --model_path model_singlecoil/ema_0.9999_100000.pt --data_path /path_to_data/ --image_size 256 --num_channels 128 --num_res_blocks 3 --learn_sigma False --dropout 0.3 --diffusion_steps 1500 --save_path results_singlecoil --num_samples 1 --batch_size 1 --data_type 'singlecoil' --R 4 --contrast 'T1'
```
For Multi-Coil
```
python sample.py --model_path model_multicoil/ema_0.9999_015000.pt --data_path /path_to_data/ --image_size 384 --num_channels 128 --num_res_blocks 3 --learn_sigma False --dropout 0.3 --diffusion_steps 1750 --save_path results_multicoil --num_samples 1 --batch_size 1 --data_type 'multicoil' --R 8 --contrast 'FLAIR'
```
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
本项目聚焦于基于傅里叶约束弥散FDB模型实现MRI重构。磁共振成像(MRI)是一种重要的医学影像技术,然而其成像速度较慢,限制了其在临床中的应用。 为了提高MRI成像速度,本项目采用傅里叶约束弥散FDB模型,通过在成像过程中施加约束,实现快速、高效的MRI重构。项目使用的数据集包括公开的MRI数据集,如fastMRI等,并进行了预处理,如去噪、对比度增强等。 在运行环境方面,我们使用Python编程语言,基于TensorFlow和PyTorch深度学习框架进行开发。为了提高计算效率,我们还使用了GPU加速计算。此外,我们还采用了Docker容器技术,确保实验结果的可重复性。 项目完成后,将实现快速、高效的MRI重构,有助于提高MRI成像速度,促进其在临床中的应用。同时,项目成果也可应用于其他成像技术,如超声成像、光学成像等。
资源推荐
资源详情
资源评论
收起资源包目录
基于傅里叶约束弥散FDB模型实现MRI重构内含数据集和环境说明.zip (18个子文件)
w.npy 8KB
read_data.py 5KB
utils
__init__.py 94B
dist_util.py 2KB
fp16_util.py 2KB
nn.py 5KB
train_util.py 12KB
resample.py 6KB
fdb.py 11KB
load_datasets.py 3KB
unet.py 18KB
script_util_duo.py 4KB
logger.py 14KB
sample.py 3KB
requirements.txt 100B
figures
ddpm_vs_fdb.png 840KB
train.py 2KB
README.md 2KB
共 18 条
- 1
资源评论
小码蚁.
- 粉丝: 2555
- 资源: 4216
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功