提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

Nov, 2018

本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

Nov, 2023

本文提出了一种平滑正则化的低秩加稀疏 (SR-L+S) 模型，用于从高度欠采样的 k-t 空间数据中重建动态磁共振成像 (dMRI)，通过在 dMRI 的背景部分上运用低秩和平滑先验以更好地捕捉其全局和局部时空相关结构，从而实现背景部分的精确恢复和更强韧的 dMRI 重建。

Jan, 2024

心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

Oct, 2023

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

该研究提出了一种基于深度学习的关注力混合变分网络，利用 k 空间和图像域进行学习，能够更好地重建磁共振成像，并在多项重建任务中取得了优异性能。

Jun, 2023

本文介绍了一种基于改进的总变分和非局部正则化的算法，用于压缩感知图像恢复，提高了压缩采样图像的恢复质量和去除了不受欢迎的阶梯效应。

Aug, 2012

通过将 Low-rank Deconvolution（LRD）与微分正则化相结合，提出了一种在信号恢复任务中与 Deep Learning（DL）框架、如 Deep Image Prior（DIP）或 Blind-Spot Networks（BSN）以及其他经典方法相竞争的分析模型，该模型在图像降噪和视频增强等任务中表现出显著的性能，在同时性能较好的同时也拥有较小的计算消耗。

Jun, 2024

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