本文介绍了多种基于深度学习和物理原理的扩散磁共振成像（dMRI）方法，如Patch2Self、AID-DTI和DoDTI，旨在提高脑微结构分析的精度和效率，解决噪声敏感性和数据泛化能力不足的问题，展示了其在临床应用中的潜力。

本文介绍了多种用于扩散磁共振成像（dMRI）的新方法，如Patch2Self、DDM^2、Patch-CNN和AID-DTI。这些方法利用自监督学习和深度生成模型，显著提升了去噪性能和图像质量，有效解决了现有技术的不足。

本文介绍了一种基于深度学习的纤维定向分布重建方法，旨在提高扩散磁共振成像（dMRI）的效率和准确性。该方法采用新型的球形反卷积网络和变压器架构，能够在减少采集方向的情况下实现高质量的纤维重建，尤其在阿尔茨海默病数据分析中表现突出。同时，研究探讨了无监督异常检测和噪声处理技术在医学图像分析中的应用潜力。

本文提出了一种新的方法来建模扩散磁共振成像（dMRI）数据集，利用人脑的结构相干性，仅使用单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的dMRI信号，连续地在角度和空域中。使用这种方法重建的dMRI信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。