应用门控循环单元（GRU）进行计算机断层扫描（CT）轨迹优化，结果表明 GRU 优化的扫描轨迹在图像质量评估指标上优于传统的圆形 CT 轨迹。
May, 2024
本文提出一种基于卷积神经网络的系统，通过隐式正演补偿完全角度之外的有限角度 CT sinogram，再进行分析和迭代重建技术，最终得到优于竞争模型的三维重建结果，并提出新的重建可信度评估方法以及通过分割实验证明了该方法有效性。
Nov, 2017
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
采用深度强化学习方法解决了优化实验设计问题，以选择最具信息量的扫描角度，从而在 CT 中实现少角度成像。
Jul, 2023
通过引入基于梯度的优化算法的新方法，本文提出了一种用于 Cone-beam CT 运动估计的方法，该方法利用了 Cone-beam CT 的几何结构的广义导数，通过形成完全可微分的目标函数来为当前运动估计的重建空间质量评级，极大地加快了运动估计，提高了运动估计的准确性，并在临床工作流中集成了 CBCT, 解决了时效性场景中的关键挑战。
Jan, 2024
本文提出了一种名为 XTransCT 的新型 Transformer 架构，可从二维 X 光图像中实时重建 CT 图像，该方法在图像质量、结构可靠性和普适性方面优于其他方法，并且可以在重建 3D 图像的同时实现约 300％的速度提高。
May, 2023
该研究论文中介绍了一种解决张量完备问题的新算法，通过采用基于凸优化问题和基于规范的张量范数的约束来解决计算能力与信息论采样复杂性之间的矛盾，实现了收敛性和信息论速率。
Feb, 2024
通过使用先前数据分布，我们提出了一种方法，从少量（＜5）平面 X 射线观察中生成 CT 体积，并首次评估了该重建算法用于临床应用：放疗计划。
Aug, 2023
该研究论文通过使用更大的数据集和不同的模型结构，探索将正交 X 射线图像转换成模拟 CT 体积的方法，以解决 CT 扫描在辐射剂量和成本方面相对于 X 射线成像的问题。关键模型变化包括 UNet 架构、自定义连接、激活函数、损失函数、优化器和一种新颖的反投影方法。
将可逆的学习型基础 - 对偶 (iLPD) 神经网络架构应用于螺旋三维计算机断层扫描 (CT) 并将几何学和数据分成适合存储的部分，将图像分割成相应的子体积。我们通过实验从现实螺旋几何学模拟的断层图数据中实现了这一点。
May, 2022