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

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

本文提出了一个基于三重领域的技术、对金属成像伪影进行去除的神经网络，采用对比正则化方法，实现了对 CT 图像的优秀去噪和伪影去除效果。

Nov, 2022

该文提出了一个通用的金属伪影减少框架，将图像域和正弦图域的优点结合，通过训练神经网络恢复受金属影响的正弦图像以及生成一个先验图像来引导正弦学习，以有效地减少金属伪影。经过对真实和模拟数据的广泛实验，该方法在保留解剖结构的同时，能够产生优越的减少金属伪影的结果，并胜过其他方法。

Sep, 2020

本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

Jun, 2019

我们提出了一种基于紧密变换增强编码网络（DTEC-Net）的无监督金属伪影削减方法，通过引入层次化解缠编码器、高阶紧密过程和变换器来处理 CT 图像中的非局部特征和保留结构信息。广泛的实验证明了 DTEC-Net 的有效性，在基准数据集上优于之前最先进的方法，并极大减少金属伪影同时还原丰富的纹理细节。

Jul, 2023

介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

Mar, 2018

在本文中，我们基于扩散模型提出了一种无监督金属伪影减弱方法，利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识，去除由金属伪影引起的退化区域，实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法，并且在临床数据集上展现出卓越的视觉效果。

Aug, 2023

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

使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

May, 2024