深度学习的最新发展与压缩感应相结合，可以快速重建未采样的MR图像，并实现了笛卡尔K空间轨迹的最新性能。但是，在网络训练的每次迭代中，需要将非科学家轨迹（例如径向轨迹）转换为笛卡尔网格，从而减慢了训练过程，并在训练过程中带来了不便和延迟。网络中非均匀傅立叶变换的多个迭代抵消了快速推理的深度学习优势。当前的方法通常在图像到图像网络上工作，或者在网络训练之前将非科学家轨迹网格网格，以避免重复的格栅过程。但是，图像到图像网络无法确保重建图像中的k空间数据一致性和非 - 牙犯K空间的预处理导致网格错误，而网络培训无法补偿。受到变压器网络以处理序列转导任务的远程依赖性的启发，我们建议根据采集的时间顺序重新排列径向辐条到顺序数据，并使用变压器预测从获得的辐射辐射。我们提出了新的数据增强方法，以从有限数量的受试者中生成大量培训数据。该网络可以生成不同的解剖结构。实验结果表明，与最先进的深神经网络相比，所提出的框架的性能卓越。

In this work, we propose a novel image reconstruction framework that directly learns a neural implicit representation in k-space for ECG-triggered non-Cartesian Cardiac Magnetic Resonance Imaging (CMR). While existing methods bin acquired data from neighboring time points to reconstruct one phase of the cardiac motion, our framework allows for a continuous, binning-free, and subject-specific k-space representation.We assign a unique coordinate that consists of time, coil index, and frequency domain location to each sampled k-space point. We then learn the subject-specific mapping from these unique coordinates to k-space intensities using a multi-layer perceptron with frequency domain regularization. During inference, we obtain a complete k-space for Cartesian coordinates and an arbitrary temporal resolution. A simple inverse Fourier transform recovers the image, eliminating the need for density compensation and costly non-uniform Fourier transforms for non-Cartesian data. This novel imaging framework was tested on 42 radially sampled datasets from 6 subjects. The proposed method outperforms other techniques qualitatively and quantitatively using data from four and one heartbeat(s) and 30 cardiac phases. Our results for one heartbeat reconstruction of 50 cardiac phases show improved artifact removal and spatio-temporal resolution, leveraging the potential for real-time CMR.

尽管几乎每种医学诊断和检查和检查应用中的广泛适应，但磁共振成像（MRI）仍然是慢的成像模态，其限制了其用于动态成像的用途。近年来，已利用平行成像（PI）和压缩传感（CS）加速MRI采集。在临床设置中，使用笛卡尔轨迹（例如直线采样）的扫描时间期间的k空间测量值是目前最常规的CS方法，然而，易于产生锯齿化重建。随着深度学习（DL）参与的出现，在加速MRI时，重建来自离心数据的忠实形象变得越来越有前途。回顾性地将数据采样掩模应用到k空间数据上是模拟真实临床环境中的k空间数据的加速获取的一种方式。在本文中，我们比较并提供审查对由训练的深神经网络输出的重建质量应用的效果进行审查。具有相同的超参数选择，我们训练并评估两个不同的反复推理机（轮辋），一个用于每种类型的重叠采样。我们的实验的定性和定量结果表明，具有径向子采样的数据培训的模型达到了更高的性能，并学会估计具有较高保真度的重建，为其他DL接近涉及径向辐射轮换。

The data consistency for the physical forward model is crucial in inverse problems, especially in MR imaging reconstruction. The standard way is to unroll an iterative algorithm into a neural network with a forward model embedded. The forward model always changes in clinical practice, so the learning component's entanglement with the forward model makes the reconstruction hard to generalize. The proposed method is more generalizable for different MR acquisition settings by separating the forward model from the deep learning component. The deep learning-based proximal gradient descent was proposed to create a learned regularization term independent of the forward model. We applied the one-time trained regularization term to different MR acquisition settings to validate the proposed method and compared the reconstruction with the commonly used $\ell_1$ regularization. We showed ~3 dB improvement in the peak signal to noise ratio, compared with conventional $\ell_1$ regularized reconstruction. We demonstrated the flexibility of the proposed method in choosing different undersampling patterns. We also evaluated the effect of parameter tuning for the deep learning regularization.

由于组织和骨骼之间的相似性，在人解剖结构中广泛看到了全球相关性。由于近距离质子密度和T1/T2参数，这些相关性反映在磁共振成像（MRI）扫描中。此外，为了实现加速的MRI，k空间数据的采样不足，从而导致全球混叠伪像。卷积神经网络（CNN）模型被广泛用于加速MRI重建，但是由于卷积操作的固有位置，这些模型在捕获全球相关性方面受到限制。基于自发的变压器模型能够捕获图像特征之间的全局相关性，但是，变压器模型对MRI重建的当前贡献是微小的。现有的贡献主要提供CNN转换器混合解决方案，并且很少利用MRI的物理学。在本文中，我们提出了一种基于物理的独立（无卷积）变压器模型，标题为“多头级联SWIN变压器（MCSTRA），用于加速MRI重建。 MCSTRA将几种相互关联的MRI物理相关概念与变压器网络相结合：它通过移动的窗口自我发场机制利用了全局MR特征；它使用多头设置分别提取属于不同光谱组件的MR特征；它通过级联的网络在中间脱氧和K空间校正之间进行迭代，该网络具有K空间和中间损耗计算中的数据一致性；此外，我们提出了一种新型的位置嵌入生成机制，以使用对应于底面采样掩码的点扩散函数来指导自我发作。我们的模型在视觉上和定量上都大大优于最先进的MRI重建方法，同时描述了改善的分辨率和去除词法。

CT和MRI是两种广泛使用的临床成像方式，用于非侵入性诊断。然而，这两种方式都有一定的问题。 CT使用有害电离辐射，MRI患有缓慢的采集速度。欠采样可以解决这两个问题，例如稀疏抽样。然而，这种向下采样的数据导致降低分辨率并引入人工制品。已经提出了几种技术，包括基于深度的学习方法，以重建此类数据。然而，这两个方式的欠采样重建问题总是被认为是两个不同的问题，并通过不同的研究工作分开解决。本文通过在径向MRI上应用傅立叶变换的预处理来实现稀疏CT和缺口MRI重建的统一解决方案，然后使用SCOMAGE ups采样与滤波后投影结合使用SCOMAGE Cups采样来实现的基于傅里叶变换的预处理。原始网络是一种基于深度学习的方法，用于重建稀疏采样的CT数据。本文介绍了原始 - 双工UNET，从精度和重建速度方面提高了原始双网络。所提出的方法导致平均SSSIM为0.932，同时对风扇束几何进行稀疏CT重建，其稀疏水平为16，实现了对先前模型的统计上显着的改进，这导致0.919。此外，所提出的模型导致0.903和0.957平均SSIM，同时重建具有16-统计上显着改善的加速因子，在原始模型上重建了缺乏采样的脑和腹部MRI数据，这导致0.867和0.949。最后，本文表明，所提出的网络不仅提高了整体图像质量，而且还提高了兴趣区域的图像质量;以及在针的存在下更好地推广。

深度学习在加速磁共振成像（MRI）中表现出惊人的性能。最先进的深度学习重建采用强大的卷积神经网络，并且由于许多磁共振图像或其对应的k空间是2D的许多磁共振图像或其对应的k空间。在这项工作中，我们展示了一种探讨了1D卷积的新方法，使得深度网络更容易受到培训和广义。我们进一步将1D卷积集成到所提出的深网络中，命名为一维深度低级和稀疏网络（ODL），它展开了低级和稀疏重建模型的迭代过程。在体内膝盖和脑数据集中的广泛结果表明，所提出的ODLS非常适合培训受试者的情况，并提供比视觉和定量的最先进的方法改进的重建性能。此外，ODL还向不同的欠采样场景显示出良好的稳健性以及培训和测试数据之间的一些不匹配。总之，我们的工作表明，在快速MRI中，1D深度学习方案是内存高效且强大的。

肾脏DCE-MRI旨在通过估计示踪动力学（TK）模型参数来定义评估肾脏解剖学和对肾功能的定量评估。 TK模型参数的准确估计需要具有高时间分辨率的动脉输入功能（AIF）的精确测量。加速成像用于实现高时间分辨率，其在重建图像中产生欠采样伪像。压缩传感（CS）方法提供各种重建选项。最常见的是，鼓励正规化的时间差异的稀疏性以减少伪影。在CS方法中越来越多的正则化除去环境伪像，但也会过度平滑时间，这减少了参数估计精度。在这项工作中，我们提出了一种训练有素的深神经网络，以减少MRI欠采样伪像而不降低功能成像标记的准确性。通过从较低的维度表示，我们通过从较低维度表示来促进正常化而不是在惩罚术语中进行规范化。在此手稿中，我们激励并解释了较低的维度输入设计。我们将我们的方法与多个正则化权重进行CS重建的方法。所提出的方法导致肾生物标志物与使用CS重建估计的地面真理标记高度相关，这是针对功能分析进行了优化的。同时，所提出的方法减少了重建图像中的伪像。

最近关于其他方式的核化图像T1辅助MRI重建的研究表明，进一步加速MRI收购其他方式的潜力。大多数最先进的方法通过开发用于固定的欠采样模式的网络架构来实现改进，而不完全利用方式之间的互补信息。尽管可以简单地修改现有的下采样模式学习算法以允许完全采样的T1加权MR图像来辅助模式学习，但是可以实现重建任务的显着改进。为此，我们提出了一个迭代框架，优化了MRI获取的另一种方式的采样下采样模式，可以在不同的下抽样因子中补充完全采样的T1加权MR图像，同时共同优化T1辅助MRI重建模型。具体地，我们所提出的方法利用两种模式之间的潜在信息的差异来确定可以最大化T1加权MR图像的辅助功率在改善MRI重建时最大化的采样模式。与常用的下采样模式和最先进的方法相比，我们在公共数据集中展示了我们在公共数据集上的学习的下采样模式的卓越表现，可以联合优化重建网络和欠采样模式以8倍的取样因子。

在过去的几年中，提出了多种基于深神经网络（DNN）的方法，以解决来自未取消采样的“ K-Space”（傅立叶域）数据的挑战性不足的反向问题。然而，反对采集过程中的变化和解剖学分布的不稳定性表明，与其经典的对应物相比，DNN体系结构对相关物理模型的概括不佳。较差的概括有效地排除了DNN适用于临床环境中不足采样的MRI重建。我们通过引入物理培养的DNN体系结构和培训方法来提高DNN方法的泛化MRI重建能力。除了模型体系结构中观察到的数据外，我们的体系结构还编码底面采样掩码，并采用适当的培训方法，该方法使用与各种无底采样掩码生成的数据一起鼓励模型概括了未散布的MRI重建问题。我们通过对公开可用的快速MRI数据集进行了广泛的实验，证明了我们的方法的附加价值。我们的物理提出的方法达到了增强的概括能力，这使得与获得的稳健性和解剖学分布的变化相比，尤其是在病理区域中，与香草DNN方法和DNN进行了显着提高，并在病理区域中进行了显着提高，并且受过培训的DNN训练，并接受了强烈的掩盖掩模的增强。接受训练的模型和代码以复制我们的实验，将在接受后用于研究目的。

目的：通过密集连接的深度学习重建框架来改善加速的MRI重建。材料和方法：通过应用三个架构修改来修改级联的深度学习重建框架（基线模型）：级联输入和输出之间的输入级级密集连接，改进的深度学习子网络和随后的SKIP连接之间的改进深度学习网络。进行了一项消融研究，其中在NYU FastMRI Neuro数据集上训练了五个模型配置，并在四倍和八倍的加速度上结合了端到端方案。通过比较其各自的结构相似性指数度量（SSIM），归一化平方误差（NMSE）和峰信号与噪声比（PSNR）来评估训练的模型。结果：提出的密集互连的残留级联网络（DIRCN）利用了所有三种建议的修改，分别为四倍和八倍加速度获得了8％和11％的SSIM提高。对于八倍的加速度，与基线模型相比，该模型的NMSE降低了23％。在一项消融研究中，单个体系结构的修饰都通过分别减少SSIM和NMSE的四倍加速度减少了SSIM和NMSE，这都促进了这一改进。结论：所提出的架构修改允许对已经存在的级联框架进行简单调整，以进一步改善所得的重建。

MRI扫描时间减少通常通过并行成像方法实现，通常基于逆图像空间（A.K.A.K空间）的均匀下采样和具有多个接收器线圈的同时信号接收。 Grappa方法通过跨越所有线圈的相邻获取信号的线性组合来插入缺失的k空间信号，并且可以通过k空间中的卷积来描述。最近，介绍了一种称为RAKI的更广泛的方法。 Raki是一种深入学习方法，将Grappa推广到附加的卷积层，在此期间应用非线性激活功能。这使得卷积神经网络能够实现缺失信号的非线性估计。与Grappa类似，Raki中的卷积核心使用从自动校准信号（ACS）获得的特定训练样本进行培训。 Raki与Grappa相比提供了卓越的重建质量，然而，由于其未知参数的数量增加，通常需要更多的AC。为了克服这一限制，本研究调查了训练数据对标准2D成像重建质量的影响，特别关注其金额和对比信息。此外，评估迭代k空间插值方法（araki），包括通过初始的格拉普重建训练数据增强，并通过迭代培训改进卷积滤波器。仅使用18,20和25个ACS线（8％），通过抑制在加速度因子R = 4和r = 5时发生的残余人工制品，并且与Grappa相比，通过定量质量指标加下划线，产生强烈的噪声抑制。与相约束的组合进一步改善。此外，在预扫描校准的情况下，伊拉克基显示比GRAPPA和RAKI更好的性能，并且在训练和缺乏采样的数据之间强烈不同的对比度。

我们提出了明确结合频率和图像特征表示的神经网络层，并表明它们可以用作频率空间数据重建的多功能构建块。我们的工作是由MRI习得引起的挑战所激发的，该挑战是信号是所需图像的傅立叶变换。提出的联合学习方案既可以校正频率空间的天然伪像，又可以操纵图像空间表示，以重建网络各层的相干图像结构。这与图像重建的大多数当前深度学习方法形成鲜明对比，该方法分别处理频率和图像空间特征，并且通常在两个空间之一中仅运行。我们证明了联合卷积学习在各种任务中的优势，包括运动校正，denosing，从不足采样的采集中重建，以及对模拟和现实世界多层MRI数据的混合采样和运动校正。联合模型在所有任务和数据集中都始终如一地产生高质量的输出图像。当整合到具有物理启发的数据一致性约束的最终采样重建的情况下，将其集成到艺术风化的优化网络中时，提议的体系结构显着改善了优化景观，从而产生了减少训练时间的数量级。该结果表明，联合表示特别适合深度学习网络中的MRI信号。我们的代码和预算模型可在https://github.com/nalinimsingh/interlacer上公开获得。

Supervised Deep-Learning (DL)-based reconstruction algorithms have shown state-of-the-art results for highly-undersampled dynamic Magnetic Resonance Imaging (MRI) reconstruction. However, the requirement of excessive high-quality ground-truth data hinders their applications due to the generalization problem. Recently, Implicit Neural Representation (INR) has appeared as a powerful DL-based tool for solving the inverse problem by characterizing the attributes of a signal as a continuous function of corresponding coordinates in an unsupervised manner. In this work, we proposed an INR-based method to improve dynamic MRI reconstruction from highly undersampled k-space data, which only takes spatiotemporal coordinates as inputs. Specifically, the proposed INR represents the dynamic MRI images as an implicit function and encodes them into neural networks. The weights of the network are learned from sparsely-acquired (k, t)-space data itself only, without external training datasets or prior images. Benefiting from the strong implicit continuity regularization of INR together with explicit regularization for low-rankness and sparsity, our proposed method outperforms the compared scan-specific methods at various acceleration factors. E.g., experiments on retrospective cardiac cine datasets show an improvement of 5.5 ~ 7.1 dB in PSNR for extremely high accelerations (up to 41.6-fold). The high-quality and inner continuity of the images provided by INR has great potential to further improve the spatiotemporal resolution of dynamic MRI, without the need of any training data.

基于深度学习的脑磁共振成像（MRI）重建方法有可能加速MRI采集过程。尽管如此，科学界缺乏适当的基准，以评估高分辨率大脑图像的MRI重建质量，并评估这些所提出的算法在存在小而且预期的数据分布班次存在下的表现。多线圈磁共振图像（MC-MRI）重建挑战提供了一种基准，其目的在于使用高分辨率，三维，T1加权MRI扫描的大型数据集。挑战有两个主要目标：1）比较该数据集和2）上的不同的MRI重建模型，并评估这些模型的概括性，以通过不同数量的接收器线圈获取的数据。在本文中，我们描述了挑战实验设计，并总结了一系列基线和艺术脑MRI重建模型的结果。我们提供有关目前MRI重建最先进的相关比较信息，并突出挑战在更广泛的临床采用之前获得所需的普遍模型。 MC-MRI基准数据，评估代码和当前挑战排行榜可公开可用。它们为脑MRI重建领域的未来发展提供了客观性能评估。

在几乎不可预测且通常严重的主题运动的情况下获得的多个MR Slices的胎儿大脑的体积重建是一项具有挑战性的任务，对切片转换的初始化非常敏感。我们建议使用经过合成转换数据训练的变压器提出了一种新型的切片到体积的注册方法，该数据将MR Slices的多个堆栈模拟为序列。通过注意机制，我们的模型会自动检测切片之间的相关性，并使用来自其他切片的信息预测一个切片的转换。我们还估计了基础3D卷，以帮助切片到体积的注册，并交替更新音量和转换以提高准确性。合成数据的结果表明，与现有的最新方法相比，我们的方法可实现较低的注册误差和更好的重建质量。还进行了使用现实世界中MRI数据的实验，以证明该模型在严重的胎儿运动下提高3D重建质量的能力。

通过在测量$ \ kappa $ -space中进行亚采样，加速MRI缩短了采集时间。从次采样测量中恢复高保真解剖图像需要两个组件之间的密切合作：（1）选择子采样模式的采样器和（2）从不完整测量中恢复图像的重建器。在本文中，我们利用了MRI测量的顺序性质，并提出了一个完全可区分的框架，该框架共同学习与重建策略的顺序采样策略。该共同设计的框架能够在获取过程中适应，以捕获特定目标的最有用的测量结果。 FastMRI膝盖数据集的实验结果表明，所提出的方法在抽样过程中成功利用了中间信息来提高重建性能。特别是，我们提出的方法可以胜过当前最新的$ \ kappa $ - 空间采样基线，超过96％的测试样品。我们还研究了顺序采样和共同设计策略的个人和集体利益。

目的：并行成像通过用一系列接收器线圈获取其他灵敏度信息，从而加速了磁共振成像（MRI）数据，从而降低了相位编码步骤。压缩传感磁共振成像（CS-MRI）在医学成像领域中获得了普及，因为其数据要求较少，而不是平行成像。并行成像和压缩传感（CS）均通过最大程度地减少K空间中捕获的数据量来加快传统MRI获取。由于采集时间与样品的数量成反比，因此从缩短的K空间样品中的图像的反向形成会导致收购更快，但具有混乱的伪像。本文提出了一种新型的生成对抗网络（GAN），即雷德格尔（Recgan-gr）受到多模式损失的监督，以消除重建的图像。方法：与现有的GAN网络相反，我们提出的方法引入了一种新型的发电机网络，即与双域损耗函数集成的弹药网络，包括加权幅度和相位损耗函数以及基于平行成像的损失，即Grappa一致性损失。提出了K空间校正块，以使GAN网络自动化生成不必要的数据，从而使重建过程的收敛性更快。结果：全面的结果表明，拟议的Recgan-GR在基于GAN的方法中的PSNR有4 dB的改善，并且在文献中可用的传统最先进的CNN方法中有2 dB的改进。结论和意义：拟议的工作有助于显着改善低保留数据的图像质量，从而更快地获取了5倍或10倍。

自我监督的学习表现出了巨大的希望，因为它可以在没有完全采样的数据的情况下训练深度学习MRI重建方法。当前用于物理学指导的重建网络的自我监督的学习方法分裂获得了两个不相交的数据，其中一种用于独立网络中的数据一致性（DC），另一个用于定义培训损失。在这项研究中，我们提出了一种改进的自我监督学习策略，该策略更有效地使用获得的数据来训练物理学指导的重建网络，而无需数据完全采样的数据。提出的通过数据下采样（SSDU）对所提出的多掩码自我监督的学习（SSDU）应用于获得的测量结果，将其分为每个训练样本的多对不相交集，而使用这些对DC单位和DC单位和其中一对，其他用于定义损失的，从而更有效地使用了不足采样的数据。多面罩SSDU应用于完全采样的3D膝盖上，并前瞻性地采样3D脑MRI数据集，用于各种加速度和图案，并与CG-Sense和单膜ssdu dl-MRI以及受监督的DL-MRI以及当时的DL-MRI进行比较。提供了完全采样的数据。膝盖MRI的结果表明，提出的多面罩SSDU胜过SSDU，并与受监督的DL-MRI紧密相关。一项临床读者的研究进一步将多面罩SSDU在SNR和混叠伪影方面高于监督的DL-MRI。大脑MRI的结果表明，与SSDU相比，多面罩SSDU可以达到更好的重建质量。读者的研究表明，与单罩SSDU相比，r = 8时的多面膜SSDU显着改善了重建，r = 8，以及r = 2时的CG-Sense。

压缩传感（CS）一直在加速磁共振成像（MRI）采集过程中的关键作用。随着人工智能的复苏，深神经网络和CS算法正在集成以重新定义快速MRI的领域。过去几年目睹了基于深度学习的CS技术的复杂性，多样性和表现的大量增长，这些技术致力于快速MRI。在该荟萃分析中，我们系统地审查了快速MRI的深度学习的CS技术，描述了关键模型设计，突出突破，并讨论了有希望的方向。我们还介绍了一个综合分析框架和分类系统，以评估深度学习在基于CS的加速度的MRI的关键作用。