本文介绍了一种自主学习方法Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

Nov, 2020

本文深入探讨自监督学习算法在MRI图像重建中的验证方法，发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响，最终验证得到压缩感知重建和学习去噪方法的表现相似。

Jan, 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

探究自监督训练方法的样本复杂度，发现模型的性能会随着训练样本数量增加而提高，证明采用自监督训练方法所需样本较多，但与监督训练方法优化模型的性能差距会随着样本数量增加而逐渐缩小。

May, 2023

介绍了一种自监督深度MRI重建模型，名为SSDiffRecon，该模型在使用不完整采样的k空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

Jun, 2023

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

该研究提出了一种名为JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高MRI重构的质量。实验证明，JSSL方法相较于传统的自监督训练方法有了明显的改进，从而凸显了该联合方法的有效性。

Nov, 2023

通过分析深度图像先验（DIP）的训练动态，我们揭示了DIP基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统DIP和现代监督方法，并且在图像修补中也优于之前基于DIP的方案。

Feb, 2024

通过非参数全贝叶斯框架NPB-REC，可以从欠采样数据中重建MRI图像，并对重建图像的不确定性进行估计。此方法改进了重建图像的质量，并提供了更好的与重建误差相关的不确定性度量，对MRI重建的深度学习方法的安全应用具有潜力。

Apr, 2024

基于自监督深度学习的压缩感知磁共振成像方法“自适应自监督一致性引导扩散模型 (ASSCGD)”提出，用于加速数据采集而无需完全采样的数据集。

Jun, 2024