本文提出了一种名为 JDSI 的联合深度灵敏度和图像重建网络，能够逐步提供更准确的灵敏度图，从而显着提高了重建图像的质量和状态，特别是在加速系数高的情况下，具有很好的鲁棒性和性能表现。

Oct, 2022

通过深度卷积神经网络和算法展开，我们提出了一种新颖的学习图像重建方法，用于加速心脏 MRI，基于多个接收线圈，与许多现有的学习 MR 图像重建技术相比，我们的方法避免了明确的线圈灵敏度图（CSM）估计，并隐含地捕捉和学习了图像之间的不同线圈之间的关系。

Sep, 2023

并行成像是一种常用的技术，用于加速磁共振成像（MRI）数据采集。本研究介绍了 IMJENSE，一种基于扫描特定的隐式神经表示方法，用于改善并行 MRI 重建。通过利用内部信息和部分采集数据的物理特性来生成所需对象，IMJENSE 采用连续表示和 MRI 图像、线圈灵敏度的联合估计，优于传统的图像或 k 空间域重建算法，具有更好的稳定性和高质量的重建结果，为进一步加速并行 MRI 数据采集提供潜力。

Nov, 2023

通过建立联合边缘优化模型，结合 MRI 图像和边缘的特定正则化器以及协同正则化器，利用非边缘概率图引导图像重建，借助深度展开网络自动学习图像和边缘的先验信息，在多种采样因子的多线圈和单线圈 MRI 数据的数值实验中，表明所提出的方法优于其他方法。

May, 2024

通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

Jan, 2024

MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

Apr, 2020

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

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

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