深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

Apr, 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

介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

Apr, 2019

本文提出一种新的方法，通过将动态模块集成到基于深度学习的 MRI 重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。

May, 2024

通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

Nov, 2023

该研究综述了针对磁共振成像重建的基于深度学习算法的最新优化模型，以促进 MRI 领域的进一步创新和应用。

Jun, 2024

通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。

Feb, 2024

本研究使用基于深度学习的重建方法加速了 3T 和 0.55T 的 MRCP 采集，通过评估峰值信噪比和结构相似度等指标，证明了该方法在减少采集时间的同时保持了图像质量。

May, 2024

开发和评估一种深度学习管道，从公开可用的自然视频（Inter4K）中学习动态 MR 图像重建。

Nov, 2023

通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。

Jul, 2023