本研究提出了一种基于潜在扩散优先的欠采样MRI重建方法（LDPM），克服了现有扩散模型的局限性，利用MR-VAE和双阶段采样器实现高保真度重建，并在fastMRI数据集上取得了竞争性结果。

本文介绍了多种处理不平衡数据集的分类器构建方法，如量子 SMOTE、k-means SMOTE 和 BSGAN。这些方法通过结合过采样和欠采样，显著提升了分类性能，尤其在高度不平衡的数据集上。实验结果表明，这些新方法能有效提高分类准确性。

本文探讨了非参数分类中算法在处理类别不平衡时的性能限制，提出了多种欠采样和过采样方法，如CUSBoost和SMOTE-RUS-NC，以提高分类器在不平衡数据集上的表现。研究强调了样本采样技术的重要性，并指出访问组信息对模型选择的关键作用。

本研究发布了一个包含300个受试者的心脏核磁共振成像数据集，旨在推动心脏影像重建技术的发展。通过深度学习方法，提出了多种新型模型，显著提高了重建质量和速度，尤其在欠采样情况下表现优异。这些方法在心脏影像重建和去噪任务中展现了先进性能，具有实时应用潜力。

本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型，通过高度欠采样和离散傅里叶变换（DFT）减少噪声并增强算法的抗干扰能力。利用双重总变差（TV）和双重核范数（NN）正则化，优化了动态磁共振成像序列的重建精度和时间复杂度。

该研究提出了一种通过卷积神经网络深度级联的图像重建框架，能够在 MRI 数据的欠采样下加速数据采集过程。与现有的压缩感知方案相比，该方法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。