本文中介绍了一种利用深度学习技术来实现在低分辨率条件下提高磁共振波谱成像空间分辨率的方法。作者采用了新型的密集连接 UNet 架构来实现超分辨音谱图像的重构，并证实这种方法可以大大推进当前的 SI 工作流程。

Feb, 2018

通过压缩感知（CS）和基于物质基本光谱的部分可分模型，我们提出了一种新方法来从随机欠采样的多光谱磁共振波谱成像（MRSI）数据中重建物质的时空分布。我们利用空时稀疏性和时间平滑性作为先验知识执行 CS，实验结果表明我们的方法能够以极短的时间分辨率重建物质的时空分布，预期对揭示磁共振波谱成像数据中的物质动力学起到重要作用。

Mar, 2024

本文提出了一种基于深度学习的 IR2QSM 方法，通过四次迭代的反向连接和中间循环模块增强 U-net 的设计，极大地改善了潜在特征利用效率，实验结果显示，IR2QSM 相比其他方法能够更准确地获取 QSM 图像，并减轻了伪影问题。

Jun, 2024

本文综述了基于深度学习的方法如何在去除磁共振图像相位测量数据中的杂散场的过程中，从中提取生物组织属性，阐述了现有技术和未来发展的方向。

Dec, 2019

利用迭代自训练的深度学习模型，我们提出了一种预测原子二维核磁共振（NMR）位移并标记实验光谱峰值的方法，该方法能准确处理中等和大分子，包括多糖。

Mar, 2024

通过使用卷积神经网络和 MRI 边缘保持正则化方法，提出了一种用于增强 Deuterium 代谢成像（DMI）灵敏度的处理方法（PRECISE-DMI），该方法能够在保持能够检测局部信号变化的能力的同时，将 DMI 的灵敏度提高了 3 倍。

Sep, 2023

分子表示学习（MRL）是一种将分子转化为数值表示并保留其化学特性的功能强大的工具，在机器学习和化学科学之间架起了桥梁。在糖科学领域，MRL 方法的探索相对较少，这主要归因于糖特定数据集的有限可用性和缺乏针对糖数据所提出的机器学习流程。为了解决这个挑战，推动糖科学的进展，丰富 MRL 社区的数据资源，我们引入了 GlycoNMR，其包含两个经过精心策划的数据集，共有 2,609 个糖结构和 211,543 个标注的核磁共振（NMR）化学位移以进行精确的原子级预测。我们针对这个问题定制了特定于糖的功能并改进了现有的 MRL 模型，在我们的新数据集上对四种修改后的 MRL 模型进行了基准测试。

Nov, 2023

利用 E (3) 等变图神经网络预测碳水化合物核磁共振光谱，并取得了显著的平均绝对误差降低，为了加速制药应用、生物化学和结构生物学的研究，提供更快速、可靠的分子结构分析，进一步迈向一个数据驱动的光谱学新时代。

Nov, 2023

本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。

Jan, 2024

本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。

Mar, 2022