这篇论文介绍了一种基于学习的框架，用于优化针对特定重建规则和解剖学的MRI子采样模式，在噪声和无噪声情况下，通过访问代表性的训练信号集合，并搜索一种在该集合中的平均表现良好的采样模式，我们提出了一种参数自由的贪婪掩模选择方法，并通过统计学习理论严谨地证明了该框架的正确性。

May, 2018

本文研究将压缩感知应用于磁共振成像，通过优化采样掩蔽来减少采样时间，并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案，该方法有效降低了计算负担，并在动态MRI中证明了其良好的性能。

Feb, 2019

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有7个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019

本文成功应用了CSGM (Bora-Jalal-Price-Dimakis'17)框架于临床MRI数据上，通过训练大脑扫描图像来生成先验分布，进而使用Langevin动态采样实现高质量的重建，在实验中表现出对真实分布和测量过程的鲁棒性。

Aug, 2021

通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合，本文在超分辨率、图像修补和压缩感知MRI等三个领域取得了最优的重建性能。

Dec, 2021

本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决3D医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练2D扩散模型压缩感知MRI等。我们在测试时提出了2D扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通GPU上运行，并且在最极端情况下（例如2视的3D断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022

本研究提出了一种从仅包含振幅信息的图像中构建通用且稳健的生成图像先验的工作流程，并将其用于改善图像质量的重建中进行正则化。结果表明，使用复杂图像训练的先验表现优于仅使用振幅图像训练的先验，且基于更大数据集训练的先验具有更高的鲁棒性。此外，相较于L1小波正则化，生成图像先验在高欠采样条件下的压缩感知并行成像中表现卓越。因此，本研究强调了整合相位信息和利用大型数据集提升MRI重建生成图像先验的性能和可靠性的重要性。相位增强使得可以利用现有图像数据库进行训练。

Aug, 2023

基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建，利用扩散模型中的频率和参数域中的领域条件，利用先前的磁共振物理学作为扩散模型中的嵌入，通过引导训练和采样过程中的数据一致性来表征磁共振成像的k-空间编码，并利用MR信号建模进行定量磁共振成像重建。此外，梯度下降优化被融入到扩散步骤中，增强特征学习和降噪效果。该方法在高加速因子下重建图像表现出显著的潜力，特别适用于静态和定量磁共振成像的重建，可以在不同解剖结构上保持较高的重建准确性和效率。除了直接应用外，该方法具有潜在的泛化能力，适用于各种领域的反问题。

Sep, 2023

通过压缩感知和重建算法，优化磁共振成像(MRI)的采样轨迹在临床设置中具有潜在作用，提高采样速度并减少成本。

Dec, 2023

非侵入性成像模式中，磁共振成像是一种广泛使用的成像方式，但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散（AID）模型的加速MRI重建方法，该算法结合了未采样的k空间和现有信息，评估了fastMRI数据集训练的模型，并展示了AID模型能够稳健地生成时序连贯的图像序列，在3D和动态MRI中的表现优于标准扩散模型，还能减少幻觉，并学习图像间的依赖关系。

May, 2024