基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

Sep, 2023

该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。

Aug, 2022

提出了一种利用神经辐射场（NeRF）概念的新型亚采样磁共振成像（MRI）技术，通过径向亚采样，将相应的成像问题转化为从稀疏观察数据渲染的图像建模任务，因此可以利用隐式神经表示从亚采样的 K 空间数据中获得高维 MR 图像。

Feb, 2024

介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

Jun, 2023

提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI（所谓 NF-cMRI），该方法在体内进行了评估，对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集，实现了良好的图像质量和可比较的空间和改进的时间描述，优于先进的重建技术。

Jul, 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

并行成像是一种常用的技术，用于加速磁共振成像（MRI）数据采集。本研究介绍了 IMJENSE，一种基于扫描特定的隐式神经表示方法，用于改善并行 MRI 重建。通过利用内部信息和部分采集数据的物理特性来生成所需对象，IMJENSE 采用连续表示和 MRI 图像、线圈灵敏度的联合估计，优于传统的图像或 k 空间域重建算法，具有更好的稳定性和高质量的重建结果，为进一步加速并行 MRI 数据采集提供潜力。

Nov, 2023

我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

Nov, 2023

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

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019