本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

Jul, 2020

本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

Sep, 2017

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

通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络，提高了重建质量。

Mar, 2024

该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

Apr, 2022

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

通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

Mar, 2017

采用深度强化学习控制 MRI 扫描仪，通过游戏的框架解决重建图像的问题，结果表明深度强化学习可在具有有限监督并无需提供人类可读输出的复杂任务中实现自主 MRI 数据采集。

May, 2023

该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

Sep, 2023

本文提出了一种利用无监督深度学习（Variational Autoencoders）学习全采样 MR 图像概率分布的显式先验术语的方法，从而弥补了 k 空间数据缺失的影响，而不需要训练成对的数据集。

Nov, 2017