通过压缩感知和重建算法，优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用，提高采样速度并减少成本。

Dec, 2023

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019

这篇论文介绍了一种基于学习的框架，用于优化针对特定重建规则和解剖学的 MRI 子采样模式，在噪声和无噪声情况下，通过访问代表性的训练信号集合，并搜索一种在该集合中的平均表现良好的采样模式，我们提出了一种参数自由的贪婪掩模选择方法，并通过统计学习理论严谨地证明了该框架的正确性。

May, 2018

本文提出了一种名为 ProM 的方法，该方法可用于直接学习 MRI 下采样掩蔽模式。通过在 MRI 数据集上进行的实验，该方法显示出优越性能，可创建最大化下游任务性能的下采样掩蔽，并具有比现有方法更多的使命和域特定的模式。

May, 2023

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

这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

Jun, 2023

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

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

我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

Dec, 2023

本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

Sep, 2017