本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散MR脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

May, 2017

该研究采用图像质量转移（IQT）的方法，提高低场（<1T）扫描的结构MRI图像的分辨率、空间覆盖度和对比度，通过引入概率减采样模型，增强模型的鲁棒性，并设计了一种U-net架构的变种，在亚非地区低场MRI诊断癫痫的应用中取得了良好的效果。

Sep, 2019

本研究使用多种深度神经网络模型，包括全卷积网络和三种最先进的超分辨率方案，将临床1.5T MRI生成全脑3T MR图像，并比较了它们的优缺点和评估指标。此外，该研究还首次尝试将FCN/U-Net结构应用于MRI转换。

Oct, 2022

本研究提出了一种名为影像质量转移（IQT）的方法，通过建立低场成像与高场成像之间的关联来增强低场结构性MRI图像的对比度和分辨率。结果表明，IQT增强的图像有望提高低资源环境下低场MRI的诊断效果。

Apr, 2023

通过神经风格迁移和去噪引擎，我们提出了一种正则化神经风格迁移（RNST）的方法，用于通过有限数据重建高质量MRI图像，并验证了其在MRI重建中的能力和在限定数据情况下的潜力。

Aug, 2023

使用像素到像素映射的多层感知器，我们提出了一种条件神经场与移位调制的模型，用于多序列磁共振成像的图像翻译，该方法在视觉和定量上表现出色，能够克服传统卷积神经网络模型中常见的光谱偏差问题。

Sep, 2023

我们提出了一种3D条件扩散模型来改进3D体积数据，特别是低磁场MR图像，并在我们的网络中引入了跨批量机制以确保在小的3D补丁下有更广泛的上下文意识。对于IQT和脑区划，我们在公开的Human Connectome Project（HCP）数据集上的实验证明了我们的模型在定量和定性上优于现有方法。代码公开可用于https://github.com/edshkim98/DiffusionIQT。

Nov, 2023

用监督深度学习技术可以从3T MRI输入生成合成的7T MRI。本文介绍了多种基于自定义变体的V-Net卷积神经网络的7T合成算法。我们证明基于V-Net模型在增强单点和多点MRI数据集方面的性能优于现有基准模型。我们的模型在训练了8个轻微创伤性脑损伤（TBI）患者的3T-7T MRI对后，在合成7T方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成7T图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的7T模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微TBI患者的两个机构的18对3T-7T MRI数据集上，我们的模型保持其性能，并能在分辨率较低的3T MRI输入上泛化。我们的发现证明了基于V-Net模型在MRI增强方面的潜力，并为增强合成7T模型的泛化能力进行了初步探索。

Mar, 2024

使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波T1加权脑部MRI图像的质量控制，达到了优秀的识别质量差的MRI图像的结果，对中等质量的MRI图像也取得了令人满意的表现，为充分利用临床数据仓库中的MRI图像提供了有价值的工具。

Jun, 2024

本章提供了关于深度学习技术用于改善MRI空间分辨率的概述，包括卷积神经网络、生成对抗网络，以及更高级的模型，如transformers、扩散模型和隐式神经表示。我们探索了超分辨图像对临床和神经科学评估的影响，并涵盖网络架构、图像评估指标、网络损失函数和训练数据细节等各种实际主题，包括模拟低分辨率图像的下采样方法和数据集选择。最后，我们讨论了深度学习MRI超分辨率的现有挑战和潜在未来发展方向，旨在促进其广泛应用于各种临床和神经科学应用。

Jun, 2024