本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

Apr, 2024

通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。

Dec, 2023

从时空建模的角度解决非刚性结构从动（NRSfM）中的关键挑战，包括运动 / 旋转的歧义、基于全局形状的低秩模型对 3D 形状序列的变形处理问题。通过引入新的临时平滑的 Procrustean 对齐模块和自适应的空间加权方法，提出了一种更好的非刚性结构建模方法，模型效果超过现有的以低秩为基础的方法。

May, 2024

提出一种新颖的方法，可以将一组或序列图像注册到目标图像，产生低秩的注册图像，与目标图像非常相似，并通过实验证据展示该方法在产生低秩群体变形方面的优越性。

Mar, 2024

磁共振成像（MRI）标记技术在测量组织运动和应变时一直被使用，然而标记褪色现象经常使后期处理变得复杂。本研究的第一项贡献是通过考虑序列成像中的 $T_1$ 弛豫以及射频脉冲的重复应用来建模标记褪色。这是以前在 tMRI 后处理研究中被忽视的因素。另外，我们观察到近期出现了在基于深度学习的注册框架中利用原始标记 MRI 进行运动估计的趋势。通过评估和分析训练 DL 注册的常用图像相似目标对原始 tMRI 的影响，将其与声波相位法进行了比较，声波相位法被认为对标记褪色具有鲁棒性。我们的研究发现，基于原始 tMRI 的各种相似性损失存在局限性，并且在图像强度随时间变化的注册任务中需要谨慎应对。

Jan, 2024

本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

May, 2023

本文提出了一种新的人体姿势变形建模方法，并设计了一种基于扩散的运动先验。通过非刚性运动结构重建 3D 人体骨骼的任务分为估计 3D 参考骨架和逐帧骨架变形。同时使用混合时空 NRSfMformer 从 2D 观察序列中估计每一帧的 3D 参考骨架和骨架变形，并将它们相加得到每一帧的姿势。最后，使用基于扩散模型的损失项确保管道学习正确的先验运动知识。最终，在主流数据集上评估了提出的方法，并获得了优于现有技术的结果。

Aug, 2023

探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

Sep, 2019

本文介绍了一种基于深度学习框架的三维医学图像配准方法，结合仿射配准和向量动量参数固定速度场（vSVF）模型，具有速度快、精度高、可对称变换等特点，在磁共振成像方面表现出了优异的性能。

Mar, 2019