本文综述了基于深度学习的方法如何在去除磁共振图像相位测量数据中的杂散场的过程中，从中提取生物组织属性，阐述了现有技术和未来发展的方向。

Dec, 2019

本文提出了一种基于深度学习的 IR2QSM 方法，通过四次迭代的反向连接和中间循环模块增强 U-net 的设计，极大地改善了潜在特征利用效率，实验结果显示，IR2QSM 相比其他方法能够更准确地获取 QSM 图像，并减轻了伪影问题。

Jun, 2024

通过开发一种基于三维图像补丁的扩散模型（QSMDiff），用于稳健的定量磁化敏感图谱（Quantitative Susceptibility Mapping，QSM）重建，超分辨率和图像去噪任务，本研究展示了在不同扫描参数之间的稳健性能表现，并且该方法还有望影响 QSM 之外的其他三维医学成像应用。

Mar, 2024

该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

Dec, 2023

提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

Jul, 2023

基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。

Aug, 2023

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

通过物理模拟和优化方法，本研究构建了多通道大脑组织概率图，实现了基于磁共振成像（MRI）扫描结果重建灰质、白质和脑脊液的精确方法，并不依赖于训练数据。

Apr, 2024

本研究利用计算神经科学的方法，使用自组织映射神经网络来识别摩擦搅拌焊接中异种材料的断口位置，即热机械影响区的铜或铝。结果表明，该算法可以以 96.92% 的准确率预测断裂位置。

Aug, 2022

该研究论文提出了一种使用多参数磁共振成像（MRI）来预测脑肿瘤缺氧的新方法。研究使用基于深度学习模型的 MRI 扫描预测方法，通过学习 MRI 特征与 FMISO PET 信号之间的复杂关系，实现从 MRI 扫描中准确预测缺氧。结果表明，预测和实际 FMISO PET 信号之间存在强相关性，验证了 MRI 在脑肿瘤缺氧预测中的潜力，有望显著改善临床环境下缺氧检测的可及性，进而实现更及时和有针对性的治疗。

Jan, 2024