A complete first and second order statistical characterization of noise in SENSE reconstructed data is proposed. SENSE acquisitions have usually been modeled as Rician distributed, since the data reconstruction takes place into the spatial domain, where Gaussian noise is assumed. However, this model just holds for the first order statistics and obviates other effects induced by coils correlations and the reconstruction interpolation. Those effects are properly taken into account in this study, in order to fully justify a final SENSE noise model. As a result, some interesting features of the reconstructed image arise: (1) There is a strong correlation between adjacent lines. (2) The resulting distribution is non-stationary and therefore the variance of noise will vary from point to point across the image. Closed equations for the calculation of the variance of noise and the correlation coefficient between lines are proposed. The proposed model is totally compatible with g-factor formulations.
Spatio-temporal wavelet regularization for parallel MRI reconstruction: application to functional MRI
University of Toulouse（图卢兹大学）；CEA-NeuroSpin（法国原子能和替代能源委员会-NeuroSpin）；University Paris-Est（巴黎东大学）
并行MRI是一种快速成像技术，能够在空间或/和时间上采集高分辨率图像。并行成像的性能在很大程度上取决于重建算法，该算法可以在原始k空间（GRAPPA，SMASH）或图像域（SENSE类方法）中进行。为了提高广泛使用的SENSE算法的性能，在小波域中的二维或切片特定的正则化已被深入研究。在本文中，我们扩展了这种方法，使用三维小波表示，以处理所有切片在一起，并解决重建文物传播相邻切片。这种扩展（3D-无约束小波正则化-SENSE：3D-UWR-SENSE）引起的增益在不考虑时间采集的解剖图像重建上得到验证。另一个重要的扩展解释了功能性MRI（fMRI）中连续扫描之间存在的时间相关性。除了2D+t采集方案的情况下，解决了一些其他方法，如kt-FOXLS，我们的方法允许我们处理3D+t采集方案，广泛用于神经成像。所得到的3D-UWR-SENSE和4D-UWR-SENSE重建方案在参考扫描上以极大似然意义估计所有正则化参数的意义上是完全无监督的。这种扩展引起的增益在解剖和功能图像重建上示出，并且还在快速事件相关fMRI协议期间针对4D-UWR-SENSE方法的统计灵敏度方面进行测量。我们的4D-UWR-SENSE算法在受试者和组水平（15名受试者）上优于SENSE重建，适用于不同的感兴趣对比度（例如，运动或计算任务），并在2x2 x3 mm 3 EPI图像上使用不同的并行加速因子（R=2和R…
Anatomically Faithful Artifact Suppression in SENSE Accelerated Brain MRI
East China Normal University（华东师范大学）；Affiliated Hospital of Guizhou Medical University（贵州医科大学附属医院）；West China Hospital, Sichuan University（四川大学华西医院）；Chinese Academy of Medical Sciences（中国医学科学院）；RadioDynamic Medical（镭动医疗）；Lucile Packard Children’s Hospital（露西尔·帕卡德儿童医院）
并行MRI是一种快速成像技术，能够在空间中采集高分辨率图像。它依赖于$k$空间欠采样和具有互补灵敏度曲线的多个接收器线圈，以便重建完整的视场（FOV）图像。并行成像的性能主要取决于重建算法，其可以在原始$k$空间（GRAPPA、SMASH）中进行，也可以在图像域（SENSE类方法）中进行。为了提高广泛使用的SENSE算法的性能，已经有效地研究了小波域中的2D或切片特定的正则化。在本文中，我们扩展了这种方法，使用三维小波表示，以处理所有切片在一起，并解决重建文物传播相邻切片。该扩展还解释了功能性MRI（fMRI）中连续扫描之间存在的时间相关性。所提出的4D重建方案是完全\emph{unsupervised}，在这个意义上，所有正则化参数估计在极大似然意义上的参考扫描。这种扩展引起的增益首先说明EPI图像重建，但也测量在快速事件相关的功能磁共振成像协议的统计灵敏度。对于不同的感兴趣对比度，并在$2\times2\times3$ mm $^3$ EPI图像上使用不同的并行加速因子，所提出的4D-UWR-SENSE算法在受试者和组水平（15个受试者）上的重建性能优于SENSE。
Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning
Vanderbilt University（范德堡大学）；Vanderbilt University Institute of Imaging Science（范德堡大学影像科学研究所）；Vanderbilt University Medical Center（范德堡大学医学中心）；Oak Ridge National Laboratory（橡树岭国家实验室）
Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework
Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院保罗·C·劳特伯生物医学成像研究中心）；University of Chinese Academy of Sciences（中国科学院大学）；Department of Electronic Information Engineering, Nanchang University（南昌大学电子信息工程系）；Peng Cheng Laboratory（鹏城实验室）；Pazhou Lab（琶洲实验室）
Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction
Department of Electrical \& Computer Engineering, University of Minnesota, MN, USA Center for Magnetic Resonance Research, University of Minnesota, MN, USA
The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning
King’s College London（伦敦国王学院）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（帝国理工学院）；Guy’s & St. Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托）；Evelina London Children’s Hospital（伊夫琳娜伦敦儿童医院）
Robust Brain Tumor Segmentation with Incomplete MRI Modalities Using Hölder Divergence and Mutual Information-Enhanced Knowledge Transfer
MSU-BIT-SMBU Joint Research Center of Applied Mathematics, Shenzhen MSU-BIT University（深圳MSU-BIT大学应用数学联合研究中心）；Institute of Control Theory and Control Engineering, School of Automation, Beijing Institute of Technology（北京理工大学控制理论与控制工程研究所）；School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation
Department of Neuroradiology, University Hospital Heidelberg（神经放射科，海德堡大学医院）；School of Electrical Engineering and Automation, Wuhan University（电气工程与自动化学院，武汉大学）；Momoni AI；Department of Stomatology, Shenzhen People’s Hospital（口腔科，深圳人民医院）；College of Science and Engineering, James Cook University（科学与工程学院，詹姆斯库克大学）；Department of Game Design, Faculty of Arts, Uppsala University（游戏设计系，艺术学院，乌普萨拉大学）；School of Computer Science, University of Sydney（计算机科学学院，悉尼大学）；School of Biomedical Engineering, The University of Sydney（生物医学工程学院，悉尼大学）
提出一种基于广义 INR 的 MRI 并行成像重建框架，利用尺度嵌入编码器和体素先验渲染全采样 k 空间，在 4–6 倍加速下提升质量并降低计算开销。
A Few-Shot Learning Approach for Accelerated MRI via Fusion of Data-Driven and Subject-Driven Priors
Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center (UMRAM)（国家磁共振研究中心（UMRAM））；Neuroscience Program, Aysel Sabuncu Brain Research Center, Bilkent University（比尔肯特大学艾塞尔·萨本居脑研究中心神经科学项目）
Copula-Linked Parallel ICA: A Method for Coupling Structural and Functional MRI brain Networks
Tri-institutional Center for Translational Research in Neuroimaging & Data Science (TReNDS)（三机构神经影像与数据科学转化研究中心（TReNDS））；Georgia State University（佐治亚州立大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
CoilDrop-MRI: Self-supervised physics-guided MRI reconstruction with coil dropout
School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University（清华大学生物医学工程系）；Oxford Centre for Integrative Neuroimaging, FMRIB, Nuffield Department of Clinical Neurosciences, University of Oxford（牛津大学整合神经影像中心）；Department of Radiology & Biomedical Imaging, University of California San Francisco（加州大学旧金山分校放射科与生物医学成像系）
FlowMoDL: Model-Based Deep Learning with Conjugate-Gradient Data Consistency for Highly Accelerated 4D Flow MRI Reconstruction
Leibniz University Hannover（莱布尼茨汉诺威大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）；University Medical Center of the Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学医学中心）；L3S（L3S研究所）；CAIMED（CAIMED机构）；Institute of Information Processing (tnt)（信息处理研究所（tnt））；Institute of Medical Biostatistics, Epidemiology and Informatics（医学生物统计学、流行病学与信息学研究所）
Generative Priors for MRI Reconstruction Trained from Magnitude-Only Images Using Phase Augmentation
1 Institute for Diagnostic；Interventional Radiology, University Medical Center G\"ottingen, Germany 2 Institute of Biomedical Imaging, Graz University of Technology, Graz, Austria 3 Clinic for Neurology, University Medical Center Göttingen, Germany 4 German Centre for Cardiovascular Research (DZHK), partner site Lower Saxony, Germany 5 Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School
Self-Auditing Residual Drifting for Pathology-Preserving Accelerated Knee MRI
Department of Radiology & Biomedical Imaging, Yale School of Medicine（放射学与生物医学成像系，耶鲁医学院）；Department of Biomedical Engineering, Rensselaer Polytechnic Institute（生物医学工程系，伦塞拉尔理工学院）
