提出了一种新的双域核磁共振成像重建网络 DuDoUniNeXt，采用混合主干网络结构，自适应粗到精特征融合模块（AdaC2F）和部分共享浅层特征提取器（PaSS）来处理不同对比度图像的一致性和差异性信息，实验证明该模型明显优于现有的单对比度和多对比度模型。
Mar, 2024
本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。
Feb, 2018
本文使用双重收缩 - 激活网络和跨迭代残差连接，迭代融合 k 空间和 MRI 图像信息，实现 MRI 的稀疏重建，结果表明该方法的重建误差率平均仅为 2.28％，表现优于现有的图像域预测、k 空间合成和双域特征融合方法。
Oct, 2022
使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。
本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。
May, 2023
该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法，可以快速重建从欠采样 MRI 数据中获得的 k 空间数据，得到高质量的 MRI 图像。
Jan, 2020
提出了一种名为混合融合生成对抗网络（HF-GAN）的新型统一框架，通过多模式磁共振成像，使得通过补充信息来提供可靠的临床应用诊断。实验证明，该方法在数据插补任务中表现出优异的性能，并且比现有方法在定量和定性比较方面更加优越。
Jun, 2024
利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。
Dec, 2023
FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。
本文提出一种可解释的任务特定综合网络，通过训练可调节的任务特定加权平均模块和任务特定注意模块，可视化每个输入序列的贡献并突出网络尝试在合成过程中完善的区域。在 BraTS2021 数据集上的实验证明了该方法在任意序列合成方面具有优异的性能，是当前最先进方法的一步之遥。
Jul, 2023