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

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

该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

Sep, 2023

为了解决神经网络模型解释性不足、训练数据有限的问题，本文提出了一种基于物理学的无监督对比表示学习方法 (PARCEL)，通过两个网络的对比学习实现 MRI 图像的高精度重建。结果表明，PARCEL 方法能够实现准确的 MRI 重建而不依赖于全采样数据集。

Feb, 2022

该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。

Aug, 2022

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

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

本篇研究探讨了如何大幅减少核磁共振成像扫描时间，介绍了一种使用深度残差学习网络处理成像伪影及并行成像算法来加速磁共振成像的新框架，该网络能够成功学习和去除干扰伪影，具有大幅度的计算时间加速。

Apr, 2018

提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

Dec, 2017

利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。

Apr, 2017