本文提出了一种结合深度学习和领域自适应的新方法，使用大量计算机断层扫描或合成径向磁共振数据预先训练网络，通过少量径向磁共振数据进行微调，成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法，并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时，本研究还发现，使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。

Mar, 2017

通过直接从稀疏 k 空间样本中使用 Transformer (DiSK) 获取分割结果的新方法，在各种加速因子下都比基准模型在 Dice 和 Hausdorff 距离上表现更好。

May, 2024

该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

Apr, 2022

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

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

提出了一种利用神经辐射场（NeRF）概念的新型亚采样磁共振成像（MRI）技术，通过径向亚采样，将相应的成像问题转化为从稀疏观察数据渲染的图像建模任务，因此可以利用隐式神经表示从亚采样的 K 空间数据中获得高维 MR 图像。

Feb, 2024

利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

Apr, 2024

本文提出了一种基于物理学的独立变压器模型（Multi-head Cascaded Swin Transformers，McSTRA），用于快速磁共振成像重建，该模型结合了多个相互连接的磁共振物理相关的概念与变压器网络，具有窗口自注意机制、多头设置、级联网络等特点，并采用一种新颖的位置嵌入机制，显著优于现有 MRI 重建方法，提高了图像的分辨率和去除了混淆伪影。

Jul, 2022

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

本文提出一种基于物理驱动的深度学习重建技术来加速多回波螺旋 fMRI，从而实现高时空分辨率和有意义的 BOLD 分析。

Dec, 2023