我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

Aug, 2023

提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

Apr, 2024

利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

Aug, 2023

提出利用多个卷积算子特征提取模块的 A 网络，通过多次跨特征提取模块的交互来突出关键特征，并使用基于注意力的稀疏图神经网络模块建立像素特征之间的关系，以弥补卷积神经网络模型表达能力有限的缺陷，在医学图像分辨率提高方面获得了显著的改进。

May, 2023

本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

Jun, 2019

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

通过使用自动角度超分辨率从更快的采集中来克服当前长时间的磁共振成像数据得出纤维定向的问题，我们在公开可用的 Human Connectome Project (HCP) DW-MRI 数据上训练了一种基于变压器的深度学习架构，FOD-Swin-Net，能够将来自 32 个方向的单壳重建与 288 个方向的多壳 FOD 重建相媲美，极大地减少了初始采集所需的方向数量。通过与角度相关系数和定性可视化的评估，我们发现重建的 FOD 在 HCP 测试数据中表现优异，高于现有技术水平。

Feb, 2024

提出了 SSOR 框架，通过优化 q 空间采样，结合扩散磁共振成像在 q 空间和图像域的特性，使用连续表示的球谐函数和重建网络，应用 l1 范数和总变差正则化，从而实现了对组织微结构特性和结构连接性进行非侵入性研究的有效捕获和重建。

Jan, 2024

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

提出了一种基于自洽驱动扩散模型的方法 ——SPIRiT-Diffusion，该方法能够通过优化模型中的随机微分方程进行扩散，避免了使用线圈灵敏度矩阵的多线圈数据重建过程中常常存在的准确估计线圈灵敏度矩阵的难题，在一项关于头颅内和颈部血管壁成像的实验中表现出了较高的重建质量和加速能力。

Apr, 2023