通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。

Dec, 2023

该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法，可以快速重建从欠采样 MRI 数据中获得的 k 空间数据，得到高质量的 MRI 图像。

Jan, 2020

本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

Jun, 2019

我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。

Jan, 2024

提出了一个新的可解释双域网络 InDuDoNet，它将模型驱动和数据驱动方法的优势结合起来。基于联合空间和 Radon 重构模型，利用近端梯度技术设计了一个迭代算法。通过将迭代步骤展开成网络模块来提高框架的可解释性，并在合成和临床数据上进行了广泛的实验，证明了我们的 InDuDoNet 在金属伪影还原和下游多类骨盆骨折分割任务上的卓越性能。

Sep, 2021

本研究基于 U-net 深度学习网络模型，将两个元素串联在 k-space 和图像域，考察了多通道 MRI 图像重建。实验结果表明，对于独立通道的重建，仅图像域的网络更好；对于多通道的同时重建，使用双域方法更优。同时发现，与先前发布的 Deep Cascade 模型相比，网络的级联使用在三个实验中有优势（p < 0.01）。

Nov, 2019

使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

May, 2024

我们提出了一个基于多对比度卷积字典模型 (MC-CDic) 的方法，通过优化算法和数据保真项对多对比度磁共振图像进行建模，实现了对多对比度图像的共同特征和独特特征的明确建模。我们使用迭代优化算法将模型拟合，并将迭代步骤展开为一个深度 CDic 模型，其中近似操作由可学习的 ResNet 替代。此外，还引入了多尺度字典以进一步提高模型性能。实验结果表明，与现有的 SOTA 方法相比，我们的 MC-CDic 模型具有更好的性能。

Sep, 2023

通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023

本文提出了一种基于深度学习的多对比度 MRI 重建模型，通过特征共享单元和密集连接单元进行信息传输和参数优化，实现了对大规模 MRI 数据集的高效重建，并在精确度和效率方面优于现有的单对比度和多对比度 MRI 方法。

Apr, 2018