该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速MRI，具有强大的性能及实用性，并且可重构复杂值数据。

Oct, 2021

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

本研究提出了一种名为CDiffMR的MRI重建方法，利用深度学习中的冷扩散卷积神经网络(Cold Diffusion-based MRI Reconstruction)和k空间下采样技术，以及合理的初始化和数据一致性条件策略，能够显著加快MRI重建速度，并且获得与现有最先进模型可比甚至更好的重建效果。

Jun, 2023

通过在有限分辨率数据上进行自监督训练来提供实验保证，并且在解决磁共振成像问题中达到了现有方法的性能水平。

Aug, 2023

本文介绍了一个可解释的框架，将$k$-space插值技术和图像域方法统一起来，建立在热扩散方程的物理原理基础之上，并提出了一种新的$k$-space插值方法，实验证明该方法在重建精度方面优于传统$k$-space插值方法、基于深度学习的$k$-space插值方法和传统扩散模型，尤其在高频区域表现出更好的性能。

Aug, 2023

基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建，利用扩散模型中的频率和参数域中的领域条件，利用先前的磁共振物理学作为扩散模型中的嵌入，通过引导训练和采样过程中的数据一致性来表征磁共振成像的k-空间编码，并利用MR信号建模进行定量磁共振成像重建。此外，梯度下降优化被融入到扩散步骤中，增强特征学习和降噪效果。该方法在高加速因子下重建图像表现出显著的潜力，特别适用于静态和定量磁共振成像的重建，可以在不同解剖结构上保持较高的重建准确性和效率。除了直接应用外，该方法具有潜在的泛化能力，适用于各种领域的反问题。

Sep, 2023

通过探索帧间或图像间信息，本文提出了一种两阶段MRI重建流程来解决MRI重建过程中的限制性问题，并通过填充缺失k空间数据和图像域中的邻近帧/对比度特征融合，最终使得所提方法明显优于现有最先进的加速MRI重建方法。

Sep, 2023

非侵入性成像模式中，磁共振成像是一种广泛使用的成像方式，但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散（AID）模型的加速MRI重建方法，该算法结合了未采样的k空间和现有信息，评估了fastMRI数据集训练的模型，并展示了AID模型能够稳健地生成时序连贯的图像序列，在3D和动态MRI中的表现优于标准扩散模型，还能减少幻觉，并学习图像间的依赖关系。

May, 2024

本研究针对MRI重建中扩散模型方法面临的收敛速度慢的问题，提出了一种新颖的子空间扩散模型（Sub-DM），通过正交分解策略提升k空间数据的学习效率和图像重建质量。实验结果表明，Sub-DM在重建速度和质量方面显著优于现有先进方法，具有较大的应用潜力。

Nov, 2024

本研究针对磁共振成像（MRI）在扫描时间长的问题，提出了一种新的基于隐含神经表示的连续K空间恢复网络，结合图像域引导，提高MRI重建的性能。研究发现，定制的编码器-解码器结构与图像引导模块能有效提升K空间恢复的效果，并在多个数据集上优于现有方法。

Nov, 2024