提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。

May, 2023

我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。

Jan, 2024

本研究提出了一种基于 3D 变换器的双域网络（TIP-Net），用于高质量的 3D 心脏 SPECT 图像重建，该方法使用深度学习方法直接从投影数据中重建 3D 心脏 SPECT 图像，然后通过图像域重建网络进一步改进重建结果。经由心脏导管术图像、核心科技医师的诊断解读和 FDA 510 (k) 认证的临床软件量化的缺陷大小的验证，与基线方法相比，我们的方法在人体研究中产生了具有更高心脏缺陷对比度的图像，从而在使用固定少角度的专用心脏 SPECT 扫描仪上实现了高质量的缺陷可视化。

Jul, 2023

该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。

Apr, 2023

提出了一种名为 DD-CISENet 的深度学习网络，用于加速 MRI 稀疏重建，结果表明其平均重建误差为 2.28±0.57％，优于现有的深度学习方法。

Apr, 2023

本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

Dec, 2020

本文探究 SPECT 及 CT 拍摄后嵌套及校正，引入一种名为 DuSFE 模型的卷积神经网络融合模型，同时提高了其准确性与特色。

Jun, 2022

通过结合正弦图、图像和频率域优化，引入了一种三域方法 TD-Net，它通过引入频率监督模块（FSM）有效地解决了稀疏观测 CT 重建中的图像质量降低问题，实现了对精细细节的保留，从而提高了医学成像的能力。

Nov, 2023

本文提出了一个鲁棒的多域网络，旨在恢复短时间内获取的低质量淀粉样 PET 图像。使用映射标签的方法可使网络有效地学习不同域之间的特定表示，经验证，该网络能够在多个培训领域和其他未知域中有效地纠正淀粉样 PET 数据集，并在数量化指标方面取得了可比较或优越的结果。

May, 2023

本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

May, 2018