本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建 MRI 图像，并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法，同时可实现每张图像 0.22ms 至 0.37ms 的重建速度，具有实时应用潜力。

May, 2017

本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

Jun, 2019

提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

Nov, 2018

本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

May, 2017

通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

Mar, 2017

该研究提出了一种基于深度学习的关注力混合变分网络，利用 k 空间和图像域进行学习，能够更好地重建磁共振成像，并在多项重建任务中取得了优异性能。

Jun, 2023

介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

Apr, 2019

本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建，以加速 MR 成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能

Aug, 2019

本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法，能够在高加速因子下生成高质量的重建，实验证明在 FastMRI 数据集中与竞争方法相比，GrappaNet 可以生成更高质量的重建，加快 MRI 的数据获取速度。

Oct, 2019

该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

Oct, 2019