本文介绍了一种自主学习方法Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

Nov, 2020

该论文提出了一种自监督的去噪磁共振成像方法，称为DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在4个真实的体内扩散MRI数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

Feb, 2023

该研究提出了在扩散磁共振成像中，使用参数连续卷积网络进行角度超分辨率，并且在全局坐标和领域特定上下文等方面进行了改进。该方法不仅可以有效降低参数数量，还能够泛化至临床相关的下游分析，如Fixel相关分析和神经元方向分散和密度成像。

Jun, 2023

通过学习逐渐将数据分布扩散为高斯噪声的过程，并以随机噪声进行迭代去噪处理，去噪扩散概率模型（DDPMs）在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型（PartDiff），通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据，并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明，与纯扩散基础的超分辨率方法相比，部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。

Jul, 2023

磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括DPM理论介绍、MRI中的重建、异常检测等方面，以及DPM的限制和未来研究方向。

Nov, 2023

扩散加权磁共振成像（dMRI）提供了非侵入性评估大脑微结构和结构连接的独特能力。然而，分析dMRI数据以提取临床和科学目的的有用信息具有挑战性，而机器学习方法在解决dMRI分析中的困难任务方面可能具有潜力。然而，为了实现这一点，需要解决现有方法的缺陷和重要未解决问题，包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。

Jan, 2024

提出了一种名为DiffMSR的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了PLWformer作为解码器，使重建的MR图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR优于现有方法。

Apr, 2024

提出了DeepMpMRI，用于从不同扩散模型中使用稀疏采样的q空间数据快速高保真地估计多参数; 实验证实了该方法在同时定量和定性地估计多参数映射方面相对于5种最先进方法的优越性和4.5-22.5倍加速

May, 2024

本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入XTRACT图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

Jun, 2024

本研究解决了现有医学影像生成模型在多模态可用性方面的限制，提出了一种新的以物理为指导的生成模型，能够合成多种脑MRI模态，甚至包括原始数据集中不存在的模态。实验结果表明，该方法有效生成了未见的MRI对比，并保持了物理上的合理性，具有重要的应用潜力。

Sep, 2024