一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法
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
本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建MRI图像，并在重建误差和感知图像质量方面优于最先进的压缩感知MRI方法，同时可实现每张图像0.22ms至0.37ms的重建速度，具有实时应用潜力。
May, 2017
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
本文介绍了使用“即插即用”算法进行MRI图像恢复的方法，其中迭代调用去噪子例程是更大的优化算法的一个步骤。我们还介绍了如何将PnP方法的结果解释为平衡方程的解，以便从平衡角度进行收敛分析。
Mar, 2019
本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样k空间数据实现精确重建，以加速MR成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能
Aug, 2019
通过引入基于物理原理的DNN架构和训练方法来提高DNN方法在MRI重建中的泛化能力，该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广MRI重建问题，在Fast-MRI数据集上的实验结果表明，我们的方法在解决MRI重建中的艰难问题方面比传统方法有更好的应用前景。
Aug, 2022
该研究介绍了一种名为PPN（Predictor-Projector-Noisor）的新算法，它增强并加速了MRI低采样重建的可控生成扩散模型，结果表明PPN比其他可控采样方法更快速地产生与低采样k空间测量一致的高保真MR图像，无监督PPN加速的扩散模型适应不同的MRI采集参数，比监督学习技术更适用于临床使用。
Nov, 2023
通过分析深度图像先验（DIP）的训练动态，我们揭示了DIP基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统DIP和现代监督方法，并且在图像修补中也优于之前基于DIP的方案。
Feb, 2024
本研究旨在解决高加速MRI重建中存在的重建质量不足的问题，尤其是在加速因子大于或等于8的情况下。我们提出了一种完全无监督的预处理流程，以生成干净、无噪声的复杂MRI信号并训练高性能的去噪深度神经网络，同时引入的退火半平方分离算法有效应对现有PnP方法中的不稳定性，最终在加速MRI重建中取得了显著的改善。
Nov, 2024