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。

本文介绍了胎儿脑部磁共振成像（MRI）技术的研究进展，包括自动分割、流线重建和深度学习方法。研究提出了新的算法和框架，以提高胎儿脑部结构分析的准确性和可靠性，尤其是在处理病理和非病理数据时。通过条件隐式神经图谱（CINA），研究展示了对胎儿脑部解剖变异的建模能力，并在正常与病理性大脑的MRI数据上进行了评估。

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。

深度学习模型通过磁共振成像在大脑年龄预测中取得了显著进展。研究表明，基于体素的模型具有更好的解释性，能够提供大脑衰老的空间信息。通过多模态成像和对比学习，提升了对异常神经发育的预测能力。此外，研究提出了结合局部准确性与全局一致性的学习框架，强调自监督学习在医学图像分析中的重要性。

本文探讨了多种创新的磁共振成像（MRI）重建方法，特别是利用深度学习和扩散模型来提高图像质量和计算效率。研究表明，新算法和采样框架能够在不同采样设置下实现更准确的重建，降低对真实数据的需求，并在临床应用中表现良好。

本文介绍了一种基于深度学习的磁共振成像（MRI）重建方法MRF-Net。该方法通过减少维度和使用层级匹配滤波器，高效重建定量磁共振图，降低存储和计算需求。同时，ProxNet框架结合物理模型，提升了定量推断的精度和效率。这些方法在重建性能和速度上优于传统技术。

本研究利用深度学习和卷积神经网络（CNN）对磁共振成像（MRI）数据进行阿尔茨海默病（AD）分类，提出集成方法以提高检测准确率，测试中获得90%的准确率。该方法未来可扩展至其他医学数据，推动早期诊断和个性化治疗。

该论文提出了一种自监督的去噪磁共振成像方法DDM^2，结合统计去噪理论与扩散模型，展现出优越的去噪性能。实验结果表明，该方法在真实MRI数据集上优于现有技术，具有广泛的应用潜力。

该研究提出了一种基于物理过程的生成模型家族（GenPhys），旨在扩展生成模型设计空间。通过引入约束条件，提高生成样本与约束的一致性，防止过拟合。研究还探讨了扩散概率模型在磁共振成像、图像去噪及医学图像合成中的应用，展示了其在生物医学领域的潜力。

本文研究了深度学习在磁共振成像（MRI）采集优化中的应用，提出利用强化学习和压缩感知技术改进采样轨迹，从而显著提高成像速度和质量。实验结果表明，该方法在不同加速因子下优于传统技术，有效减少了采样时间和计算负担。

本文综述了深度学习在磁共振成像（MRI）中的应用，重点讨论了定量磁化敏感图谱（QSM）重建和图像去噪的进展。介绍了新方法QSMDiff和MoDIP，提升了图像重建的准确性和效率，并探讨了QSM在神经系统疾病诊断中的潜力。

本文综述了扩散概率模型（DPMs）在医学成像中的应用，特别是在磁共振成像（MRI）中的重建和异常检测。研究提出了多种方法，如mDPPM和Med-DDPM，利用无标签数据和半监督学习提升图像分割性能，并通过引入正则化和生成模型，在肿瘤和多发性硬化症病变数据集上展示了优越表现，强调了DPM在医学图像处理中的潜力。

该研究利用深度学习技术对亚撒哈拉地区儿童脑肿瘤的多模态磁共振成像数据进行分析，成功构建了精确的分割模型，Dice评分达到0.82至0.87。研究结果表明，集成方法优于单一模型，为脑肿瘤的诊断和治疗提供了重要参考。

本文介绍了脑肿瘤磁共振成像（MRI）中的自动分割和图像合成技术，建立了BraSyn基准，利用生成对抗网络合成缺失的MRI序列，以提高诊断准确性。提出的可解释综合网络在BraTS2021数据集上表现优异，展示了深度学习在医学影像中的潜力。

本文探讨了神经网络在磁共振成像（MRI）中的应用，包括多线圈信息的加速研究、图像域和k空间方法的改进，以及隐私保护学习和边缘机器学习在图像分类中的应用。研究表明，使用不同数据分布训练模型可以提高MRI重建的鲁棒性和性能。

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。

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。