本文提出了一种基于深度学习的 MRF-Net 方法，通过减少维度并使用层级匹配滤波器，可以在不使用字典匹配的情况下，高效地重建定量磁共振图，并且减少了存储和计算需求。

Sep, 2018

使用 Magnetic Resonance Fingerprinting (MRF) 技术，结合随机脉冲激发序列、随机 EPI 子采样策略和迭代投影算法，开发出一种压缩感知框架，能够从有限数量样本中同时准确恢复质子密度、T1、T2 和离共振映射。这些结果经过对大量仿真数据的验证。

Dec, 2013

针对磁共振指纹 (MRF) 问题的端到端深度学习方法中预测与物理正向模型的一致性大多未受控制，本文提出了一种名为 ProxNet 的学习的近端梯度下降框架，它直接将前向采集和布洛赫动力学模型纳入到循环学习机制中，使用紧凑的神经近端模型用于去混淆和定量推断，可以灵活地训练稀缺的 MRF 训练数据集。数值实验表明，ProxNet 可以达到卓越的定量推断精度，更小的存储需求，与最新的深度学习 MRF 基线相当的运行时间，同时比字典匹配方案快得多。

Jun, 2020

使用深度学习并开发复数神经网络来进行 MRI 指纹识别，可以更准确地确定组织参数。

Jul, 2017

本文提出了一种基于全连接神经元的新型 MRF 模型，将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起，通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示，实现了高效的学习和在各种低级视觉任务中的卓越表现。

Sep, 2016

通过利用流形结构先验信息，我们提出了一种基于重建框架的磁共振指纹成像 (MR fingerprinting) 方法，其中低维参数流形被用来表示指纹流形结构，同时加入局部低秩先验信息以改善重建性能。实验证明，该方法相对于现有方法在重建性能上有显著提升，并且计算时间得到了减少。

Oct, 2023

使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。

Nov, 2023

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

本文提出了一种针对心脏磁共振成像的实时视频重建方法，通过使用隐式神经网络表示不断变化的心脏并进行信号重建，该方法达到了与卷积神经网络相当甚至更好的重建质量，但计算成本更高。

May, 2023

基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升，通过在潜在函数和信息传递方面应用数据驱动的神经网络，该模型有效地解决了传统立体方法中的建模限制和精度问题，并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理，并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN)，使得该方法在 KITTI 2012 和 2015 榜单上名列第一，且运行时间不超过 100 毫秒。与传统的全局方法相比，本方法的性能显著提升，例如在 KITTI 2015 数据集上将 D1 指标降低了 50%，并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。

Mar, 2024