自学知识驱动的深度学习在 3D 磁逆推中的应用
该研究提出了一种名为 JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高 MRI 重构的质量。实验证明，JSSL 方法相较于传统的自监督训练方法有了明显的改进，从而凸显了该联合方法的有效性。
Nov, 2023
深度学习用于 NMR 信号反演，通过卷积神经网络将 NMR 信号反演看作图像到图像的回归问题，与 Tikhonov 和 MTGV 等正则化技术相比，深度学习具有明显的效率和易用性优势，因为在重建之前不需要进行超参数选择。通过对模拟 NMR 信号进行反演并与 Tikhonov 和 MTGV 正则化进行比较，结果显示深度学习的反演速度显著快于后两种正则化方法，并在几乎所有情况下优于这两种正则化技术。
Nov, 2023
介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。
Jun, 2023
使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。
Oct, 2023
基于模型的深度图像先验 (MoDIP) 是一种新颖的训练无关的无监督方法，利用小型未经训练的网络和数据保真度优化模块来解决变化扫描参数下定量磁化率成像 (QSM) 中的偶极反转问题。实验证明，MoDIP 在解决不同扫描参数下的 QSM 偶极反转中具有很好的泛化能力，对于病理性脑 QSM 的鲁棒性提升了超过 32% 的准确度，比受监督深度学习和传统迭代方法提高了 33% 的计算效率并且运行速度比常规的基于 DIP 的方法快 4 倍，使得 3D 高分辨率图像重建在 4.5 分钟内完成。
Aug, 2023
本文探讨了一个针对有限孔径下逆障碍散射问题的深度学习方法，该方法通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。此外，还实施了基于深度学习的数据补全方案，以防止有限孔径数据导致逆问题解的失真。此外，DDM 不仅解决了逆问题本身的不适定性，还是一种具有解释性特性的物理意识机器学习技术。DDM 的收敛性结果已从理论上得到证明。数值实验展示了即使入射和观测孔径极其有限，所提出的 DDM 仍然有效。
Mar, 2024
通过利用 $k$ 空间数据的固有结构低秩性实现神经网络结构的正则化，并将网络结构约束为非扩张映射，从而保证网络收敛于一个固定点。这个固定点可以根据矩阵完成理论完全重建缺失的 $k$ 空间数据，并在无全采样标签的情况下，验证了我们提出方法的有效性，并证明其在某些场景中表现优于现有的自我监督方法和传统的正则化方法，达到了与监督学习方法相当的性能。
Sep, 2023
该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。
Aug, 2022