本文介绍了一种名为 mSTCT 的新的扫描模式和 backprojection-filtration 的新算法，能够有效地提高微 CT 系统的视野和高分辨率重建效率，并且在模拟和实验中验证了该算法的可行性。

May, 2023

提出两种用于线性计算机断层扫描（LCT）的重建体系结构，其中一种通过神经网络学习 Hilbert 滤波函数从而得到完整的内部重建，另一种通过多个方向的 Hilbert 滤波模型叠加重建结果，虽然存在一些伪影，但适用于特定方向的外部轮廓成像。

Sep, 2023

利用已知的运算符学习方法，以及采用一种新颖的自适应滤波过程的滤波反投影算法，这篇论文提出了一种重建特定轨道的圆锥束计算机断层成像（CBCT）的新方法。通过实验，该方法成功地从圆形轨道投影数据中学习出最佳参数并实现图像重建，提高了重建速度和减少了内存使用。

Mar, 2024

本研究旨在开发一种方法，通过使用已有的具有不完整视野的扩散磁共振成像扫描文件中的缺失切片，来恢复完整视野。实验结果表明，该方法能够改善整个大脑线索成像，修复受损数据，并在分析与阿尔茨海默病相关的组束时减少不确定性。

May, 2024

利用预先训练的无条件生成扩散先验的零样本方法，可以恢复任意形状的 CT 图像截断，从而实现解剖学上一致的体截面恢复和皮下脂肪组织测量误差的减小。

Apr, 2023

该研究引入一种基于傅里叶级数的可训练滤波器，用于在过滤反投影 (FBP) 框架中进行计算机断层扫描 (CT) 重建。该方法通过优化傅里叶级数系数来构建滤波器，克服了传统 FBP 方法中噪声减少的限制。该方法在不同分辨率尺度下具有稳健的性能，并且与其他深度学习框架相比，对可训练参数的增量极小，保持了计算效率。此外，我们提出了高斯边缘增强 (GEE) 损失函数，该函数优先考虑高频幅度的 $L_1$ 范数，有效对抗了均方误差 (MSE) 方法中普遍存在的模糊问题。该模型基于 FBP 算法，保证了卓越的可解释性，因为它依赖于通过严格的数学程序导出的数据驱动滤波器的所有其他参数。我们的傅里叶级数滤波器设计为即插即用的解决方案，可以轻松集成到现有的 CT 重建模型中，成为广泛实际应用的多功能工具。我们的研究提出了一种强大且可伸缩的方法，扩展了 FBP 在医学和科学成像中的应用价值。

Jan, 2024

本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。

Aug, 2017

该研究提出了一种将多重焦点图像融合在无线视觉传感器网络中的算法，该算法利用离散余弦变换标准来确定融合标准，利用空间频率和一致性验证过程提高输出图像质量，并在多对多重焦点图像上进行测试，结果显示提高了输出图像的视觉质量并超越了其他基于 DCT 的技术。

May, 2023

用于提高超声波计算机断层扫描图像重建的新型技术，通过神经算子实现快速波动模拟，进而加速全波形反演过程，以促进近实时超声波计算机断层扫描图像重建的临床应用。

Dec, 2023

本文提出了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。

Jul, 2016