本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率MRI图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原4倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

Jan, 2018

该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑MRI的图像重建，实验证明SAIR与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。

Nov, 2022

本文提出了一种基于隐式神经表示的双任意多对比度MRI超分辨率方法(Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个MRI数据集上的性能。

Jul, 2023

本研究提出了一种基于自监督对比学习的非配对MRI超分辨率方法，利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量的HR图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率MRI。

Oct, 2023

使用去噪扩散概率模型对各向异性低分辨率磁共振图像进行超分辨率重建，提出了结合残差预测的AniRes2D新方法。实验结果表明AniRes2D在定量度量、视觉质量和跨域评估等方面优于其他基于DDPM的模型。此外，通过逐层超分辨率重建，使用训练好的AniRes2D减少了头骨伪影，并与最近的自监督3D超分辨率方法进行了对比。此外，我们还探索了噪声条件增强作为DDPM-based SR模型的一种替代增强技术，但发现它会降低性能。我们的研究结果为各向异性磁共振图像的超分辨率重建应用提供了有价值的见解。

Dec, 2023

自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效，在科学和医学成像应用中为基于学习的方法铺平了道路，其中获得地面真实数据难度或费用较高，在磁共振成像和计算机断层扫描中就是这种情况。然而，现有方法在图像超分辨率和去模糊问题中无法取得竞争性能，在大多数成像系统中起着关键作用。在本文中，我们展示了对于仅包含低频信息的测量数据，对于学习的翻译和旋转不变性是不足够的。相反，我们提出了一种新的自监督方法，利用了许多图像分布近似尺度不变的事实，可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法，并获得了与完全监督学习相当的性能。

Dec, 2023

本研究提出了CycleINR，这是一种新颖的增强隐式神经表示模型，用于3D医学数据体积超分辨率。通过利用学习的隐式函数的连续性，CycleINR模型可以以任意上采样率获得结果，消除了单独训练的需求。此外，我们通过引入局部注意机制和融合循环一致性损失来增强CycleINR中的格网采样，并减轻过度平滑。我们引入了一个新的度量标准，即切片噪声水平不一致性（SNLI），来定量评估切片间噪声水平的不一致性。我们通过对内部数据集的图像质量评估和对医学分割十项全能（Decathlon）肝肿瘤数据集的下游任务分析来证明我们方法的有效性。

Apr, 2024

提出了一种自监督超分辨率MR图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

Jun, 2024

本研究解决了因技术限制导致的MRI扫描各向异性数据问题，影响了诊断准确性和体积分析。提出了一种新的方法SIMPLE，通过同时多平面自监督学习从各向异性数据中重建各向同性的高分辨率图像，显著提升了图像质量和临床诊断能力。实验结果显示，SIMPLE在量化和半量化评估中超过了现有的先进方法。

Aug, 2024

本研究解决了磁共振成像中高分辨率获取的难题，提出了一种基于双因子表示的新方法，以高效地从低分辨率图像学习连续体积表示。同时，采用坐标编码捕捉稀疏体素之间的结构关系，有助于在未观测区域的平滑补全。实验表明，该方法在多项数据集上达到最先进的性能，视觉效果和稳健性优于现有技术。

Sep, 2024