基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

Aug, 2023

通过使用非线性共轭梯度（NLCG）优化器，并结合逐次扫描特定的 U-Net 正则化方法，这篇研究论文提出了一种直接从采样不足的 k 空间数据中估计 qMRI 映射的端到端方法，借助指数信号建模和零击穿扫描特定神经网络正则化技术，为高保真度的 T1 和 T2 映射提供了改进的估计质量。

Jan, 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

本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

Sep, 2017

本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

Apr, 2023

提出一种名为 PixCUE 的方法，使用像素分类框架在单个向前传递中生成重建图像及不确定性地图以可靠地估计 MRI 重建过程中的不确定性，并与传统的 Monte Carlo 推断方法的结果相一致，同时产生与重建误差高度相关的不确定性地图。

Feb, 2023

本文提出了一种基于深度学习的方法，通过后验抽样在 PET 图像重建中进行不确定性量化。该方法基于条件生成对抗网络，其生成器近似于采样自贝叶斯反演中的后验。该文表明，所提出的模型生成高质量的后验样本，并产生具有物理意义的不确定性估计。

Jun, 2023

该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

Sep, 2023

基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

Sep, 2023

提出了一种利用神经辐射场（NeRF）概念的新型亚采样磁共振成像（MRI）技术，通过径向亚采样，将相应的成像问题转化为从稀疏观察数据渲染的图像建模任务，因此可以利用隐式神经表示从亚采样的 K 空间数据中获得高维 MR 图像。

Feb, 2024