该论文提出了一种基于 MSE 损失重建网络的可视改善组件，通过引入感知损失函数和对抗性损失函数，可以更好地平衡图像清晰度和对比度。同时，提出了一种语义可解释性评分，可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明，该方法相比最新技术，在人类观察者研究和语义可解释性得分上均有显著提高。

Jun, 2018

通过比较 Channelized Hotelling Observer（CHO）和卷积神经网络（CNN），我们表明 CNN 可以用作模拟人类搜索任务中的模型观察器，而传统的线性模型观察器由于无法排除解剖背景导致的误报而失败。

May, 2024

本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

Dec, 2020

评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性，发现深度网络更容易受到未定向攻击的影响，数据一致性不受重建质量影响，需要更好的正则化方法。同时，深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响，这些攻击可以用于探索 CT 恢复问题的解空间。

Feb, 2024

介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

Mar, 2018

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

通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

Nov, 2023

该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术，以使在理想条件下最小化均方误差，从而解决成像中的逆问题；研究采用 2D 乳腺 CT 模拟，参加算法超过 60 组，并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。

Sep, 2021

本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

May, 2018

该研究研究了使用卷积神经网络在稀疏视图的计算机断层成像中进行图像重建的逆问题是否可行，结果发现在具体条件下，不能使用该 CNN 解决稀疏视图 CT 的逆问题，这对于在医学成像中使用 CNN 解决逆问题提出了疑问。

May, 2020