基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

Sep, 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

本文提出一种将基于模型的稀疏正则化与数据驱动的深度学习相结合的混合重建框架，通过剪切波变换的分解，将可见和不可见分量分别处理，使神经网络只需要学习不可由基于模型方法处理的部分系数，提高了在有限角度计算机断层扫描中的重建性能。

Nov, 2018

本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

Nov, 2020

本文介绍了一个新的低剂量 X 射线 CT 成像重建方法 SUPER，该方法结合了深度学习的监督学习方法和基于 PWLS-ULTRA 的非监督转换学习方法，取得了比传统的监督、非监督方法更好的重建效果，并在迭代重建模块中使用更少的迭代次数。

Oct, 2019

本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

Nov, 2018

本文探究了深度学习方法在低数据条件下应用于计算机断层扫描的可能性，并提出了一种深度图像先验方法与经典规则相结合的方法，提高了低数据条件下的重建质量和数据效率。

Mar, 2020

本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017

本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

Jun, 2022

提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020