本文提出了一种基于子空间隐式神经表示的心脏运动磁共振成像重建框架，克服了传统方法在时间分辨率和动态捕捉方面的局限。该方法利用多层感知机学习空间和时间子空间基，显著提高了图像质量，能够在加速率为10和20时优化动态心脏事件的高分辨率成像，增强了诊断能力。

本文探讨了深度学习在磁共振成像（MRI）重建中的应用，提出通过次-Nyquist采样策略提高成像速度和质量。研究表明，仅需29%的k-空间数据即可生成高质量图像。介绍了新型深度学习方法SANTIS及其在图像重建中的优势，强调了对采样模式的鲁棒性和图像清晰度的提升。

本文介绍了fastMRI数据集及其在磁共振成像（MRI）和磁共振波谱（MRS）中的应用。研究提出了多种深度学习方法，如QNet和PRECISE-DMI，以提高图像重建和代谢物信号的准确性，克服噪声和伪影的影响。此外，结合传统去噪技术与深度学习的方法（如TVCondNet）展现了更优的去噪性能，显示了深度学习在医学图像处理中的潜力。

磁共振成像（MRI）是一种常用于多种检查的诊断技术。本文提出了一种基于新的空域频率协查注意（CQA）机制的新型结构引导 MCSR（SGSR）框架，用于实现高分辨率 MRI 的超分辨率成像。实验证明，SGSR 相对于最先进的 MCSR 方法具有统计学显著优势。

我们提出了一种新颖的磁共振成像（MRI）预处理和预测流程，利用复数值k-Space对MRI进行分类。通过使用公开数据集展示了k-Space相比于图像域中的幅度信息对前列腺癌可能性进行更好估计的优势。通过高欠采样率和简单的主成分分析进行线圈压缩，减少了重建所需的时间。实验结果表明，即使在欠采样因子为16的情况下，使用PCA线圈组合并考虑k-Space信息也能获得有意义的结果。这种方法可以在不进行时间密集型的ADC和重建计算的情况下工作，减少了后期处理的时间，提高了患者的舒适度，并实现接近实时的预测。

磁共振成像（MRI）是一种安全、非侵入性的医学影像技术，通过0.55T和7T MRI技术结合深度学习方法，提高了图像细节和组织特征，具有潜力。

通过CT和MRI多模态图像的信息特征，提出了一种空间对齐算法和弱监督多模态注册网络，实现了多深度多模态图像的自动对齐。该方法通过金字塔特征和代价体积估计光流，并在多种评估指标上证明了其优越性，验证了其在多模态图像注册中的有效性。

该研究使用深度学习技术对磁共振成像数据进行分类，以识别阿尔茨海默病。通过多个CNN模型的集成方法，提高了检测的查全率和准确性。该方法在测试中获得了90%的准确率、0.90的精确度和0.89的召回率。未来可扩展该研究以纳入其他类型的医学数据，使用其他技术提高阿尔茨海默病的检测。

研究人员开发了一种基于变压器的深度学习架构，能够通过自动角度超分辨率准确重建磁共振成像数据中的纤维定向。该架构在测试数据中表现优异，为磁共振成像提供了更快速和准确的方法。

研究者提出了随机皮质自重建（SCSR）的概念，使用MRI厚度作为输入创建个体特异的健康参考，并考虑混淆因素。模型在多个数据集上进行了评估，并在临床自有数据上帮助区分四种类型的痴呆症。

计算机断层扫描（CT）和磁共振成像（MRI）是医学成像领域的重要技术。提出了一种新颖的二次半的评分模型（TOSM），通过利用互补评分更新三维空间中的数据分布，解决了重建的三维体积图像中的不一致性问题。TOSM在大规模实验中展示了显著进展，实现了高质量的三维体积重建。

新的自动化计算流程通过磁共振成像量化胸腔心室解剖度量，并与ECG特征比较。女性心室较小，QRS间期较短，STJ振幅较低。女性中，较大体重指数的胸腔心室解剖度量对心肌梗死后T波振幅降低和偏左R轴角度的调节较男性更强。定量解剖性别差异及其对ECG的影响对避免临床性别偏见至关重要。

本论文提出了一种新颖的端到端网络，用于生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于扩散概率模型和深度分割神经网络，通过使用多参数MRI和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向MRI数据进行训练，验证了该模型在生成合成MRI、肿瘤分割和不确定性估计等任务中的优异性能。该模型的肿瘤成长预测能够为临床决策提供有用的信息。

该研究提供了一种模拟框架，用于对抗常见的磁共振成像协议中的采集漂移，以对深度分割网络进行“压力测试”。研究人员使用模拟磁共振信号方程的“采集漂移导数”来模拟 MR 图像的获取变化，并通过真实 MR 扫描验证生成的图像。最后，他们使用最先进的 MS 病变分割网络进行示例压力测试，以探索描述 F1 得分与序列参数回波时间（TE）和倒转时间（TI）之间依赖关系的通用模型函数。

该论文介绍了一种名为DDM^2的自监督去噪磁共振成像方法，通过将去噪理论整合到扩散模型中，采用条件生成实现去噪。实验结果表明，该方法在4个真实的体内扩散MRI数据集上表现出卓越的去噪性能，并使用临床相关的定量和定性指标进行评估。

该研究比较了两种分割网络在前列腺癌检测中的效果，结果显示整体评估很重要。人工智能系统可支持放射学评估，通过分割和分类病变。关键词：前列腺癌，分割网络，磁共振成像，人工智能，放射学评估。

该论文提出了一种自监督去噪磁共振成像方法DDM^2，采用条件生成实现去噪。实验结果表明，该方法在4个真实的体内扩散MRI数据集上表现出卓越的去噪性能，并用临床相关的定量和定性指标进行了评估。

该论文介绍了一种名为DDM^2的自监督去噪磁共振成像方法，结合统计基础的去噪理论与扩散模型，通过条件生成实现去噪。实验结果表明，该方法在4个真实的体内扩散MRI数据集上表现出卓越的去噪性能，并通过临床相关的定量和定性指标进行了评估。