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。

磁共振成像可以产生人体解剖和生理学的详细图像，可以帮助医生诊断和治疗肿瘤等病理。然而，MRI遭受了非常长的收购时间，使其易于患者运动伪影并限制其潜力以提供动态治疗。诸如并行成像和压缩感测的常规方法允许通过使用多个接收器线圈获取更少的MRI数据来改变MR图像来增加MRI采集速度。深度学习的最新进步与平行成像和压缩传感技术相结合，具有从高度加速的MRI数据产生高保真重建。在这项工作中，我们通过利用卷积复发网络的特性和展开算法来解决复发变分网络（RevurrentVarnet）的加速改变网络（RevurrentVarnet）的任务，提出了一种基于深入的深度学习的反问题解决者。 RevurrentVarnet由多个块组成，每个块都负责梯度下降优化算法的一个展开迭代，以解决逆问题。与传统方法相反，优化步骤在观察域（$ k $ -space）而不是图像域中进行。每次反复出的Varnet块都会通过观察到的$ k $ -space，并由数据一致性术语和复制单元组成，它将作为输入的隐藏状态和前一个块的预测。我们所提出的方法实现了新的最新状态，定性和定量重建导致来自公共多通道脑数据集的5倍和10倍加速数据，优于以前的传统和基于深度学习的方法。我们将在公共存储库上释放所有型号代码和基线。

可解释性和鲁棒性必须在临床应用中整合加速磁共振成像（MRI）重建的机器学习方法。这样做会允许快速高质量的解剖和病理学成像。数据一致性（DC）对于多模态数据的泛化至关重要，以及检测病理学的鲁棒性。这项工作提出了独立复发推理机（CIRIM）的级联，通过展开优化来评估DC，通过梯度下降，并通过设计的术语明确地明确。我们对CIRIM与其他展开的优化方法进行广泛的比较，是端到端变分网络（E2EVN）和轮辋，以及UNET和压缩感测（CS）。评估是分两个阶段完成的。首先，评估关于多次训练的MRI模型的学习，即用{t_1} $ - 加权和平凡对比，以及$ {t_2} $ - 加权膝盖数据。其次，在通过3D Flair MRI数据中重建依赖多发性硬化（MS）患者的3D Flair MRI数据来测试鲁棒性。结果表明，CIRIM在隐式强制执行DC时表现最佳，而E2EVN需要明确制定的DC。 CIRIM在重建临床MS数据时显示出最高病变对比度分辨率。与CS相比，性能提高了大约11％，而重建时间是二十次减少。

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.

基于深度学习（DL）图像重建模型中的不确定性定量对于基于重建图像的可靠临床决策至关重要。我们介绍了“ NPB-REC”，这是一种非参数完全贝叶斯的框架，用于从不足采样的“ K-Space”数据中进行MRI重建的不确定性评估。我们在训练阶段使用随机梯度Langevin动力学（SGLD）来表征网络权重的后验分布。与基线E2E-VARNET相比，我们在Multi-Coil Brain MRI数据集上展示了我们在多线圈脑MRI数据集上的附加价值。我们的实验表明，NPB-Rec通过重建精度优于基线（PSNR和SSIM $ 34.55 $，$ 0.908 $ vs. $ 33.08 $，$ 0.897 $，$ P <0.01 $）的高加速度（$ R = 8 $） 。这也在临床注释区域中进行了衡量。更重要的是，与蒙特 - 卡洛推理时间辍学方法相比，它提供了与重建误差相关的不确定性（Pearson相关系数$ r = 0.94 $ vs. $ r = 0.91 $）的不确定性。所提出的方法具有促进基于DL的方法从未采样数据的MRI重建方法的安全利用。 \ url {https://github.com/samahkh/npb-rec}提供了代码和训练有素的模型。

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。

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。

加速的MRI从稀疏采样的信号数据中重建了临床解剖学的图像，以减少患者扫描时间。尽管最近的作品利用了深入的学习来完成这项任务，但这种方法通常只在没有信号损坏或资源限制的模拟环境中进行了探索。在这项工作中，我们探索了神经网络MRI图像重建器的增强，以增强其临床相关性。也就是说，我们提出了一个用于检测图像源的Convnet模型，该模型可以实现分类器$ f_2 $得分为$ 79.1 \％$ $。我们还证明，具有可变加速度因子的MR信号数据的培训重建器可以在临床患者扫描期间提高其平均性能，最高$ 2 \％$。当模型学会重建多个解剖和方向的MR图像时，我们提供损失功能来克服灾难性的遗忘。最后，我们提出了一种使用模拟幻影数据在临床获取数据集和计算功能有限的情况下使用模拟幻影数据预先培训重建器的方法。我们的结果为加速MRI的临床适应提供了潜在的途径。

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。

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.

CSGM框架（Bora-Jalal-Price-Dimakis'17）表明，深度生成前沿可能是解决逆问题的强大工具。但是，迄今为止，此框架仅在某些数据集（例如，人称和MNIST数字）上经验成功，并且已知在分布外样品上表现不佳。本文介绍了CSGM框架在临床MRI数据上的第一次成功应用。我们在FastMri DataSet上培训了大脑扫描之前的生成，并显示通过Langevin Dynamics的后验采样实现了高质量的重建。此外，我们的实验和理论表明，后部采样是对地面定语分布和测量过程的变化的强大。我们的代码和型号可用于：\ URL {https://github.com/utcsilab/csgm-mri-langevin}。

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。

人工智能（AI）和机器学习（ML）在改善医学成像工作流程（从图像获取和重建到疾病诊断和治疗）方面具有巨大潜力。特别是，近年来，用于医学图像重建的AI和ML算法（尤其是基于深度学习（DL）的方法）的使用，尤其是基于深度学习（DL）的方法已有显着增长。就重建质量和计算效率而言，DL技术已证明具有竞争力，并且通常比常规重建方法优越。基于DL的图像重建的使用还提供了有前途的机会，可以改变心脏图像的获取和重建方式。在本章中，我们将回顾用于心脏成像的基于DL的重建技术的最新进展，重点是心脏磁共振（CMR）图像重建。我们主要关注该应用程序的监督DL方法，包括图像后处理技术，模型驱动方法和基于K空间的方法。还讨论了DL对心脏图像重建的当前局限性，挑战和未来机会。

近年来，基于深度学习的平行成像（PI）取得了巨大进展，以加速磁共振成像（MRI）。然而，现有方法的性能和鲁棒性仍然可以是不受欢迎的。在这项工作中，我们建议通过柔性PI重建，创建的重量K-Space Genera-Tive模型（WKGM）来探索K空间域学习。具体而言，WKGM是一种通用的K空间域模型，在其中有效地纳入了K空间加权技术和高维空间增强设计，用于基于得分的Genererative模型训练，从而实现良好和强大的重建。此外，WKGM具有灵活性，因此可以与各种传统的K空间PI模型协同结合，从而产生基于学习的先验以产生高保真重建。在具有不同采样模式和交流电因子的数据集上进行实验性重新构建表明，WKGM可以通过先验良好的K-Space生成剂获得最新的重建结果。

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。

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。

减少磁共振（MR）图像采集时间可能会使MR检查更容易获得。包括深度学习模型在内的先前艺术已致力于解决长期MRI成像时间的问题。最近，深层生成模型在算法鲁棒性和使用灵活性方面具有巨大的潜力。然而，无法直接学习或使用任何现有方案。此外，还值得研究的是，深层生成模型如何在混合域上很好地工作。在这项工作中，通过利用基于深度能量的模型，我们提出了一个K空间和图像域协作生成模型，以全面估算从采样量未采样的测量中的MR数据。与最先进的实验比较表明，所提出的混合方法的重建精度较小，在不同的加速因子下更稳定。

基于分数的扩散模型为使用数据分布的梯度建模图像提供了一种强大的方法。利用学到的分数函数为先验，在这里，我们引入了一种从条件分布中进行测量的方法，以便可以轻松地用于求解成像中的反问题，尤其是用于加速MRI。简而言之，我们通过denoising得分匹配来训练连续的时间依赖分数函数。然后，在推论阶段，我们在数值SDE求解器和数据一致性投影步骤之间进行迭代以实现重建。我们的模型仅需要用于训练的幅度图像，但能够重建复杂值数据，甚至扩展到并行成像。所提出的方法是不可知论到子采样模式，可以与任何采样方案一起使用。同样，由于其生成性质，我们的方法可以量化不确定性，这是标准回归设置不可能的。最重要的是，我们的方法还具有非常强大的性能，甚至击败了经过全面监督训练的模型。通过广泛的实验，我们在质量和实用性方面验证了我们方法的优势。

物理驱动的深度学习方法已成为计算磁共振成像（MRI）问题的强大工具，将重建性能推向新限制。本文概述了将物理信息纳入基于学习的MRI重建中的最新发展。我们考虑了用于计算MRI的线性和非线性正向模型的逆问题，并回顾了解决这些方法的经典方法。然后，我们专注于物理驱动的深度学习方法，涵盖了物理驱动的损失功能，插件方法，生成模型和展开的网络。我们重点介绍了特定于领域的挑战，例如神经网络的实现和复杂值的构建基块，以及具有线性和非线性正向模型的MRI转换应用。最后，我们讨论常见问题和开放挑战，并与物理驱动的学习与医学成像管道中的其他下游任务相结合时，与物理驱动的学习的重要性联系在一起。

深度学习方法已成为重建MR重建的最新采样的状态。特别是对于地面真理不可行或不可能的情况，要获取完全采样的数据，重建的自我监督的机器学习方法正在越来越多地使用。但是，在验证此类方法及其普遍性的验证中的潜在问题仍然没有得到充实的态度。在本文中，我们研究了自制算法验证未采样MR图像的重要方面：对前瞻性重建的定量评估，前瞻性和回顾性重建之间的潜在差异，常用的定量衡量标准的适用性和普遍性。研究了两种基于自我监督的denoising和先验的深层图像的自我监督算法。将这些方法与使用体内和幻影数据的最小二乘拟合以及压缩感测重建进行比较。它们的推广性通过前瞻性采样的数据与培训不同的数据进行了测试。我们表明，相对于回顾性重建/地面真理，前瞻性重建可能表现出严重的失真。此外，与感知度量相比，与像素定量指标的定量指标可能无法准确捕获感知质量的差异。此外，所有方法均显示出泛化的潜力。然而，与其他变化相比，概括性的影响更大。我们进一步表明，无参考图像指标与人类对图像质量的评级很好地对应，以研究概括性。最后，我们证明了经过调整的压缩感测重建和学习的DeNoising在所有数据上都相似地执行。