ProxNF: Neural Field Proximal Training for High-Resolution 4D Dynamic Image Reconstruction
针对生物医学动态成像中数据欠采样与高分辨率4D图像计算负担大的问题，提出基于近端分裂的神经场训练方法ProxNF，分离成像算子计算与参数更新，在数值体模与小动物肿瘤灌注在体成像中验证了有效性。
2024-10-09 eess.IV
Deterministic X-ray Bragg coherent diffraction imaging as a seed for subsequent iterative reconstruction
相干衍射成像（CDI），使用X射线和电子，在过去的二十年中取得了非常迅速的进展。相关联的重建算法通常是迭代的，并且以粗略的第一估计作为种子。用于布拉格相干衍射成像的确定性方法（Pavlov等人，Sci. Rep. 7，1132（2017））用作收缩包裹迭代重建程序的更精细的起点。以自相关函数为起点进行适当的比较。实空间和傅立叶空间误差度量用于分析有噪声和无噪声模拟数据的重建过程的收敛性。我们的研究结果表明，使用确定性CDI重建，作为后续迭代CDI细化的种子，可以提高收敛的速度和程度相比，目前常用的粗糙种子。我们还强调了在迭代细化的背景下监视多个错误度量的实用性。
2018-06-21 eess.IV
Echo Planar Time-Resolved Imaging (EPTI) with Subspace Reconstruction and Optimized Spatiotemporal Encoding
目的：研究快速多对比度定量成像的编码和重建技术。研究方法：最近提出的回波平面时间分辨成像（EPTI）技术可以实现快速无失真和模糊的多对比度定量成像。在这项工作中，子空间重建框架的开发，以提高重建精度的EPTI在高编码加速度。通过使用低秩子空间对时间信号演化进行建模，显著减少了重构中的未知数。作为所提出的重建方法的一部分，开发了B 0更新算法和拍摄到拍摄B 0变化校正方法，以实现高分辨率组织相位图像的重建，并减轻来自拍摄到拍摄相位变化的伪影。此外，EPTI概念被扩展到3D k空间，用于3D GE-EPTI，其中提出了一种新的CAIPI编码的时间变体以进一步提高性能。结果如下：所提出的子空间重建的有效性首先在2D GESE EPTI中得到证明，其中与传统的B 0-知情GRAPPA相比，重建实现了更高的精度。对于3D GE-EPTI，回顾性欠采样实验表明，与传统的时空CAIPI编码相比，新的时变CAIPI编码可以实现高达72倍的加速，同时重建误差减少近2倍。在前瞻性欠采样实验中，使用具有时变CAIPI编码的3D GE-EPTI在3 T下在52秒内获得1 mm各向同性分辨率的高质量全脑T2* 和QSM图。结论：所提出的子空间重构和优化的时变CAIPI编码可以进一步提高EPTI的快速定量映射性能。
2019-11-04 eess.IV
Diffusion Probabilistic Models for Compressive SAR Imaging
本文提出利用扩散概率模型进行压缩SAR成像，以克服传统迭代优化方法的高计算成本，通过引导扩散模型进行重建，并在真实数据上验证了成像质量的提升。
2025-04-23 eess.IV
Knowledge-driven deep learning for fast MR imaging: undersampled MR image reconstruction from supervised to un-supervised learning
本文综述了知识驱动的深度学习在快速磁共振成像中的应用，涵盖从监督到无监督学习的演进，并讨论了挑战、解决方案及厂商选择与未来方向。
2024-02-05 eess.IV
MR Optimized Reconstruction of Simultaneous Multi-Slice Imaging Using Diffusion Model
本文提出基于扩散模型与slice-GRAPPA和SPIRiT方法优化同步多层成像重建，通过分数匹配和自一致性表征先验，减少扫描时间并提升图像质量。
2024-08-21 eess.IV
Reconstruction of 3D lumbar spine models from incomplete segmentations using landmark detection
University of Koblenz（科布伦茨大学）；Institute for Computational Visualistics（计算视觉研究所）；Institute for Medical Technology and Information Processing（医学技术与信息处理研究所）
针对MRI分割中椎骨结构缺失问题，提出基于终板自动标志点和仿射配准的三维腰椎重建方法，实现高精度、亚秒级完整模型生成。
2024-12-06 cs.CV eess.IV
Generative adversarial network based single pixel imaging
单像素成像可以仅用单像素探测器重建场景的二维图像。它已被广泛用于在非可见带宽（例如，近红外和X射线），其中焦平面阵列传感器的制造具有挑战性。在本文中，我们提出了一种基于生成对抗网络的单像素成像重建算法，该算法在10 ms内实现了高效重建，并具有更高的质量。我们验证了所提出的方法与合成和真实世界的实验，并证明了良好的质量重建的真实世界的石膏使用0.05的采样率。
2021-07-11 eess.IV
ClusMFL: A Cluster-Enhanced Framework for Modality-Incomplete Multimodal Federated Learning in Brain Imaging Analysis
School of Science and Engineering, the Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）；Department of Computer Science and Engineering, Lehigh University（利哈伊大学计算机科学与工程系）；Department of Computer Science, Emory University（埃默里大学计算机科学系）
针对脑成像联邦学习中的客户端级与实例级模态缺失问题，提出基于 FINCH 聚类、监督对比对齐、缺失模态代理和模态感知聚合的 ClusMFL，并在 ADNI 上验证其优于基线。
2025-02-14 cs.AI cs.CV cs.LG
GMENet: Generative Mixture of Experts Network for Multi-Center Glioma Diagnosis with Incomplete Imaging Sequences
School of Biomedical Engineering and Technology Innovation, Fudan University（复旦大学生物医学工程与技术创新学院）；Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑启发智能科学技术研究院）；Intelligent Diagnosis and Treatment Laboratory for Brain Diseases, Joint Laboratory of Neurosurgery Department of Huashan Hospital and School of Information Science and Technology, Fudan University（脑病智能诊断与治疗实验室，华山医院神经外科部门联合实验室，复旦大学信息科学学院）
针对临床MRI序列不完整导致数据利用率低的问题，提出GMENet，通过交叉注意力门控生成模块合成缺失序列特征，并利用动态加权专家融合模块进行多任务预测，在1241例多中心数据上使可用训练数据增加97%，且优于基于完整数据的最先进方法。
2026-05-22 cs.CV eess.IV
Explainable Deep Learning Algorithm for Distinguishing Incomplete Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging
Daegu Gyeongbuk Institute of Science & Technology（大邱庆北科学技术院）；Yonsei University College of Medicine（延世大学医学院）
背景与目的：不完全型川崎病（KD）由于缺乏经典型KD的临床表现，常被误诊。然而，它与冠状动脉病变的患病率明显较高有关。通过超声心动图识别冠状动脉病变对于KD的及时诊断和良好的预后非常重要。此外，与KD类似，目前引起全球大流行的2019年冠状病毒病也表现为发热;因此，在儿童发热性疾病中明确区分KD至关重要。在这项研究中，我们旨在验证用于KD和其他急性发热疾病分类的深度学习算法。方法：对88例川崎病患儿和65例肺炎患儿行超声心动图检查。我们使用收集的数据训练了六个深度学习网络（VGG 19，Xception，ResNet 50，ResNext 50，SE-ResNet 50和SE-ResNext 50）。结果：SE-ResNext 50在分类的准确性、特异性和精确性方面表现出最佳性能。SE-ResNext 50的准确性为76.35%，敏感性为82.64%，特异性为58.12%。结论：我们的研究结果表明，深度学习算法在检测冠状动脉病变以促进KD诊断方面与经验丰富的心脏病专家具有相似的性能。
2022-04-05 cs.CV eess.IV
Detail reconstruction in binary ghost imaging by using point-by-point method
提出了一种新的逐点局部二元鬼像成像方法。该方法可以补偿二值化过程中由于信息丢失而导致的成像质量下降。数值计算和实验结果表明，与传统的鬼像法相比，该方法能较好地重建目标细节。通过比较不同二值化方法得到的散斑图的差异，给出了相应的解释。我们的研究结果在目标识别等对成像细节要求较高的领域具有潜在的应用价值。
2020-09-21 eess.IV physics.optics
Single Frame Laser Diode Photoacoustic Imaging: Denoising and Reconstruction
光声（PA）成像的一个新发展是使用紧凑、便携和低成本的激光二极管（LD），但是基于LD的PA成像遭受由传统换能器记录的低信号强度。提高信号强度的常用方法是时间平均，这会降低帧率并增加患者的激光照射。为了解决这个问题，我们提出了一种深度学习方法，该方法将在波束成形之前对PA图像进行降噪，即使只有很少的帧，甚至只有一帧。我们还提出了一种深度学习方法，可以从噪声预波束形成数据中自动重建点源。最后，我们采用了一种去噪和重建相结合的策略，它可以补充重建算法，非常低的信噪比输入。
2022-12-16 eess.IV eess.SP
GrappaNet: Combining Parallel Imaging with Deep Learning for Multi-Coil MRI Reconstruction
Facebook AI Research (FAIR)（Facebook人工智能研究院（FAIR））；NYU School of Medicine（纽约大学医学院）
磁共振图像（MRI）采集是一个固有的缓慢过程，这刺激了两种不同加速方法的发展：同时采集多个相关样本（并行成像）和采集比传统信号处理方法所需的样本更少的样本（压缩感知）。这两种方法提供了互补的方法来加快MRI采集的速度。在本文中，我们提出了一种将传统并行成像方法集成到深度神经网络中的新方法，即使在高加速因子下也能够生成高质量的重建。所提出的方法，称为GrappaNet，通过首先将重建问题映射到一个更简单的问题来执行渐进重建，该问题可以通过使用神经网络的传统并行成像方法来解决，然后应用并行成像方法，最后用另一个神经网络微调输出。整个网络可以端到端地进行训练。我们目前的实验结果，最近发布的fastMRI数据集，并表明，GrappaNet可以生成更高质量的重建比竞争的方法为$4\times$和$8\times$加速。
2020-03-30 cs.CV eess.IV
Hyperspectral image reconstruction for spectral camera based on ghost imaging via sparsity constraints using V-DUnet
基于稀疏约束鬼像成像的光谱相机（GISC光谱相机）在Single Shot单次拍摄中利用二维压缩测量获取三维高光谱信息，近年来受到广泛关注。但其成像质量和重建的实时性还有待进一步提高。最近，深度学习在提高计算成像的重建质量和重建速度方面显示出巨大的潜力。将深度学习应用于GISC光谱相机，需要解决的问题有：1）如何处理大量的三维高光谱数据; 2）如何降低随机参考测量值不确定性带来的影响; 3）如何尽可能提高重建图像质量。在本文中，我们提出了一个端到端的V-DUnet的三维高光谱数据的重建GISC光谱相机。为了减少测量矩阵的不确定性所造成的影响，并提高重建图像的质量，差分鬼像成像结果和检测到的测量都被发送到网络的输入。与PICHCS、TwIST等压缩感知算法相比，该算法不仅具有较高的抗噪能力，而且重建速度也提高了两个数量级以上。
2022-06-28 eess.IV physics.optics
Artificial Intelligence Augmented Medical Imaging Reconstruction in Radiation Therapy
UNIVERSITY OF CALIFORNIA, SAN FRANCISCO（加利福尼亚大学旧金山分校）；UNIVERSITY OF CALIFORNIA, BERKELEY（加利福尼亚大学伯克利分校）
针对现代放射治疗中高效精确影像重建的需求，本文提出一系列AI驱动的医学影像重建框架，以提升CT重建质量与速度、优化DECT多材料分解并加速4D MRI采集，助力增强放射治疗效果。
2025-04-10 cs.AI eess.IV
High-resolution single-pixel imaging in real time with iterative or deep learning-based reconstruction enhancement
本研究提出一种压缩式单像素成像框架，结合专用采样与两阶段重建方法，在低压缩比下实现了DMD原生分辨率的实时高分辨率动态成像，重建速度可匹配采集速率。
2025-09-01 eess.IV eess.SP
Partial FOV Center Imaging (PCI): A Robust X-Space Image Reconstruction for Magnetic Particle Imaging
磁粒子成像（MPI）是一种新兴的医学成像模式，其利用超顺磁性氧化铁（SPIO）纳米颗粒对所施加的磁场的非线性响应来对超顺磁性氧化铁（SPIO）纳米颗粒的空间分布成像。在MPI的标准x空间方法中，通过将速度补偿的纳米颗粒信号网格化到无场点（FFP）的瞬时位置来重建图像。然而，由于对驱动场的安全限制，视场（FOV）需要被多个相对小的部分视场（pFOV）覆盖。然后，整个FOV的图像从单独处理的pFOV拼接在一起。这些处理步骤可能对非理想信号条件敏感，例如谐波干扰、噪声和弛豫效应。在这项工作中，我们提出了一个强大的x空间重建技术，部分FOV中心成像（PCI），大大简化了pFOV处理。PCI首先通过将MPI信号直接映射到pFOV中心位置来形成整个FOV的原始图像。然后，通过利用完全已知的紧凑内核对该原始图像进行去卷积来获得对应的MPI图像，该内核仅取决于pFOV大小。我们通过广泛的模拟以及在我们内部的FFP MPI扫描仪上进行的成像实验来分析所提出的重建的性能。结果表明，PCI提供了噪声鲁棒性和干扰鲁棒性之间的折衷，在对非理想信号条件的鲁棒性和图像质量方面优于标准x空间重建。
2019-12-10 eess.IV physics.med-ph
Wave-Encoded Model-based Deep Learning for Highly Accelerated Imaging with Joint Reconstruction
Athinoula A. Martinos Center for Biomedical Imaging（阿西努拉·A·马蒂诺斯生物医学成像中心）；Harvard Medical School（哈佛医学院）；National Nanotechnology Center（国家纳米技术中心）；Harvard/MIT Health Sciences and Technology（哈佛-麻省理工学院健康科学与技术）
目的：提出一种用于高度加速3D成像和联合多对比度图像重建的基于波编码模型的深度学习（wave-MoDL）策略，并进一步扩展该策略，以使用具有T2准备脉冲的交错look-locker采集序列（3D-QALAS）实现快速定量成像。方法：最近引入的MoDL技术成功地将基于卷积神经网络（CNN）的正则化器结合到使用少量网络参数的基于物理的并行成像重建中。Wave-CAIPI是一种新兴的并行成像方法，其通过在读出期间在相位和切片编码方向上采用正弦梯度来加速成像速度，以更好地利用3D线圈灵敏度曲线。在wave-MoDL中，我们建议将波编码策略与展开的网络约束相结合，以加快采集速度，同时加强波编码数据的一致性。我们进一步扩展了wave-MoDL，以利用并行成像（CAIPI）采样模式中的受控混叠来重建多对比度数据，以利用多个图像之间的相似性来提高重建质量。结果：Wave-MoDL能够在16倍加速度下以1 mm分辨率进行47秒MPH采集。对于定量成像，Wave-MoDL允许在12倍加速度下以1 mm分辨率进行2分钟的T1、T2和质子密度绘图采集，也可以从中合成对比加权图像。结论：Wave-MoDL允许快速MR采集和高保真图像重建，并且可以通过将展开的神经网络并入wave-CAIPI重建来促进临床和神经科学应用。
2022-02-06 cs.LG eess.IV
Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging
本文提出了一种结合物理约束和扩散先验的框架，用于提高多切片重建的效率和质量，适用于医学和科学成像领域。
2025-12-07 cs.LG eess.IV
DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction
Department of Information Technology, Uppsala University（乌普萨拉大学信息技术系）
DenOiS通过双域去噪提升超声图像重建质量，结合观测修正与扩散基PnP方法，在模拟训练中实现高保真重建，适用于定量超声成像。
2026-04-02 cs.CV eess.IV
Robust and Guided Bayesian Reconstruction of Single-Photon 3D Lidar Data: Application to Multispectral and Underwater Imaging
当使用多个波长时，或者当在高噪声环境（例如，通过遮光剂成像）。本文提出了一种分层贝叶斯算法的多光谱单光子激光雷达数据在这样的环境中的鲁棒重建。该算法利用多尺度信息来提供稳健的深度和反射率估计及其不确定性，以帮助决策。所提出的基于权重的策略允许使用可用的引导信息，该信息可以通过使用最先进的基于学习的算法来获得。所提出的贝叶斯模型及其估计算法的合成和真实图像上进行了验证，显示竞争力的结果相比，国家的最先进的算法的质量的推断和计算复杂性。
2021-03-18 eess.IV stat.AP
Image Reconstruction with Low-rankness and Self-consistency of k-space Data in Parallel MRI
并行磁共振成像已成为一种有效且广泛采用的加速扫描技术。稀疏采样的出现提供了积极的加速，允许灵活的采样和更好的重建。然而，从有限的数据中忠实地重建图像仍然是一项具有挑战性的任务。最近的低秩重建方法在提供高质量图像方面表现出优越性。然而，它们中没有一个采用常规采集的校准数据来改善并行磁共振成像中的图像质量。在这项工作中，提出了一种名为STDLR-SPIRiT的图像重建方法，以探索k空间数据中的同时双向低秩（STDLR），并利用迭代自一致并行成像重建（SPIRiT）挖掘多个接收线圈的数据相关性。重建问题，然后解决了奇异值分解的数值算法。对体模和脑成像数据的实验结果表明，该方法在抑制伪影和实现最低误差方面优于现有方法。此外，即使在并行成像中自动校准信号受到限制时，所提出的方法也表现出鲁棒的重建。总的来说，所提出的方法可以用来实现更好的图像质量的加速并行磁共振成像。
2019-09-05 eess.IV physics.med-ph
Iterative Self-consistent Parallel Magnetic Resonance Imaging Reconstruction based on Nonlocal Low-Rank Regularization
迭代自洽并行成像重建（SPIRiT）是一种有效的并行磁共振成像（PMRI）自校准重建模型。小波系数的联合L1范数和联合总变差（TV）正则化项被纳入SPIRiT模型，以提高重建性能。同时双向低秩（STDLR）在k空间数据被纳入SPIRiT实现改进的重建。最近的方法利用了非局部自相似性（NSS）的图像施加非局部低秩相似补丁，以实现卓越的性能。为了充分利用磁共振（MR）图像中的NSS和k空间域中的校准一致性，我们提出了一种非局部低秩（NLR）SPIRiT模型，该模型将NLR正则化引入SPIRiT模型。我们应用加权核范数（WNN）作为代理的秩，并采用纳什均衡（NE）制定和交替方向的乘数法（ADMM）有效地解决NLR SPIRiT模型。实验结果表明，NLR-SPIRiT的性能优于国家的最先进的方法，通过三个客观的指标和视觉比较。
2022-04-17 eess.IV eess.SP
Imaging with highly incomplete and corrupted data
我们考虑的问题，从一些嘈杂的数据使用$l_1$ -最小化方法成像稀疏场景。该问题可以被转换为形式为$A \, ρ=b$的线性系统，其中$A$是$N\times K$测量矩阵。我们假设未知稀疏向量$ρ\in {\mathbb{C}}^K$的维数远大于数据向量$b \in {\mathbb{C}}^N$的维数，即$K \gg N$。我们提供了一个理论框架，使我们能够检查在什么条件下的$\ell_1$ -最小化问题承认一个解决方案，是接近的确切存在的噪声。我们的分析表明，当需要高分辨率时，$l_1$ -最小化对于具有噪声数据的成像是不稳健的。为了提高性能的$l_1$ -最小化，我们建议，而不是解决增广线性系统$ [A \, | \, C] ρ=b$，其中的$N \times Σ$矩阵$C$是一个噪声收集器。它被构造成使得其列向量提供了一个框架，在该框架上，可以很好地近似数据的噪声（维度$N$的向量）。理论上，噪声收集器的尺寸$Σ$应该是$e^N$，这将使其使用不实用。然而，我们的数值结果表明，在噪声的存在下，可以得到强大的结果与足够大的列数$Σ\approx 10 K$。
2019-08-05 cs.LG cs.NA eess.IV
Federated Pseudo Modality Generation for Incomplete Multi-Modal MRI Reconstruction
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）；Guangxi Medical University（广西医科大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对联邦多模态MRI重建中的模态缺失问题，提出通信高效的Fed-PMG框架，通过频域振幅谱聚类共享实现伪模态生成，在可控通信成本下取得接近全模态场景的重建性能。
2023-08-20 cs.AI cs.CV eess.IV
Fast Non-line-of-sight Imaging with Two-step Deep Remapping
Georgia Institute of Technology（佐治亚理工学院）
传统成像只记录从物体直接发送到探测器的光子，而非视线（NLOS）成像则考虑了间接光。大多数NLOS解决方案采用瞬态扫描过程，然后采用基于物理的算法来重建NLOS场景。然而，瞬态检测需要复杂的设备，具有长的扫描时间和对周围环境的低鲁棒性，并且重建算法通常耗时且计算昂贵。针对上述缺陷，本文提出了一种新的非视距解决方案，在设备和算法上进行了创新。我们采用廉价的商业激光雷达进行检测，具有更高的扫描速度和更好的兼容性，以现实世界的成像。我们的重建框架是基于深度学习的，具有生成的两步重映射策略，以保证高重建保真度。整个检测和重建过程允许毫秒级响应，重建精度为毫米级。我们已经在合成和真实物体上对所提出的解决方案进行了实验测试，并进一步证明了我们的方法适用于全色NLOS成像。
2021-03-26 cs.CV eess.IV
Multi-task Magnetic Resonance Imaging Reconstruction using Meta-learning
Harvard Medical School（哈佛医学院）
针对单任务深度学习重建不同成像序列MRI数据泛化性差的问题，提出元学习方法同时重建多对比度MR图像，实验证明其能成功重建高度欠采样k空间数据并优于单任务方法。
2024-04-21 cs.CV eess.IV math.OC
Compressible Latent-Space Invertible Networks for Generative Model-Constrained Image Reconstruction
仍然非常需要开发能够从欠采样测量结果产生诊断上有用的图像的图像重建方法。例如，在磁共振成像（MRI）中，这样的方法可以促进数据采集时间的减少。基于深度学习的方法具有学习对象先验或约束的潜力，可以减轻数据不完整性对图像重建的影响。一个新兴的研究领域涉及在生成深度神经网络的潜在空间中制定基于优化的重建方法。然而，当采用生成对抗网络（GANs）时，如果所寻求的解决方案不在GAN的范围内，则这种方法可能导致图像重建错误。为了规避这个问题，在这项工作中，提出了一个框架，从不完整的测量重建图像，制定在潜在空间的可逆神经网络为基础的生成模型。引入了一种新的正则化策略，该策略利用了某些可逆神经网络的多尺度结构，这可以导致在传统度量方面优于经典方法的重建性能。所提出的方法进行了研究，重建图像欠采样的MRI数据。所示的方法，以实现可比的性能，一个国家的最先进的生成模型为基础的重建方法，同时受益于确定性的重建过程和更容易控制正则化参数。
2020-12-30 eess.IV eess.SP
Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学学院）；School of Mathematical Science, University of Electronic Science and Technology of China（电子科技大学数学科学学院）
提出张量分解多分辨率网格编码（GridTD）无监督连续表示框架，通过结合多分辨率网格编码与张量分解优化轻量级神经网络，有效且高效地实现高维图像压缩成像重建。
2025-07-10 cs.CV eess.IV
Application of Monte Carlo algorithms to cardiac imaging reconstruction
蒙特卡罗算法对核医学重建过程的影响越来越大。心肌灌注成像（MPI）的主要限制之一是散射分量的有效缓解，这在单光子发射计算机断层成像（SPECT）中尤其具有挑战性。在SPECT中，不能检索定时信息来定位主要源光子。蒙特卡罗方法允许散射运动学的逐事件模拟，其可以被并入成像系统响应的模型中。这种方法自90年代后期以来被几位作者采用，最近利用了高性能CPU和GPU提供的计算能力。与确定性方法相比，这些最近的发展使得能够实现具有改进的图像质量的快速图像重建。确定性方法是基于能量窗口的检测器响应，并在累积的估计和散射分量的减法。在本文中，我们回顾了主要的策略和算法，以纠正SPECT中的散射效应，并专注于蒙特卡罗的发展，现在允许在几秒钟内的SPECT心脏图像的三维重建。
2021-05-27 eess.IV physics.ins-det
HDR Imaging with Quanta Image Sensors: Theoretical Limits and Optimal Reconstruction
Purdue University（普渡大学）
高动态范围（HDR）成像是现代摄影的最大成就之一。HDR成像的传统解决方案是针对CMOS图像传感器（CIS）设计并应用于CMOS图像传感器的。然而，当今主流的1微米CIS相机通常具有高读取噪声和低帧速率。这些反过来又限制了采集速度和质量，使相机在HDR模式下速度变慢。在本文中，我们提出了一种新的计算摄影技术的HDR成像。由于CIS的局限性，我们使用量子图像传感器（QIS）来权衡时空分辨率和位深。QIS是一种单光子图像传感器，其像素间距与CIS相当，但暗电流和读取噪声显著降低。通过证明QIS可以提供的动态范围的基本限制以及噪声和速度的权衡，我们提供了HDR成像背景下传感器的完整理论表征。此外，我们推导出一个最佳的重建算法的单比特和多比特QIS。我们的算法是理论上最佳的\emph{all}线性重建计划的基础上曝光包围。基于合成数据和实际QIS数据的实验结果验证了理论和算法的有效性。
2020-12-02 cs.CV eess.IV
Low-rank Tensor Assisted K-space Generative Model for Parallel Imaging Reconstruction
Nanchang University（南昌大学）
尽管最近的深度学习方法，特别是生成模型，在快速磁共振成像中表现出了良好的性能，但在高维生成方面仍有很大的改进空间。考虑到基于得分的生成模型的内部维数对数据分布梯度的估计有着至关重要的影响，提出了一种新的并行图像重建思想--低秩张量辅助k空间生成模型（LR-KGM）。这意味着我们将原始先验信息转换为高维先验信息进行学习。更具体地说，多通道数据被构造成一个大的汉克尔矩阵，该矩阵随后被折叠成张量用于先前的学习。在测试阶段，利用低秩旋转策略对生成网络的张量输出施加低秩约束。此外，我们交替使用传统的生成迭代和低秩高维张量迭代重建。实验结果表明，与现有的最先进的LR-KGM方法取得了更好的性能。
2022-12-11 cs.CV eess.IV
A joint reconstruction and lambda tomography regularization technique for energy-resolved X-ray imaging
在这里，我们提出了新的联合重建和正则化技术，灵感来自微局部分析和λ层析成像的想法，用于同时重建X射线透射的衰减系数和电子密度（即，X射线CT）和反向散射数据（假设主要是康普顿散射）。为了证明我们的理论和重建方法，我们考虑Webber和Miller的“平行线段”采集几何（“Compton scattering tomography in translational geometry.“逆问题36，第2号（2020）：025007），这是由目前正在开发的机场安检系统架构的动机。我们首先提出了一种新的微局部分析的平行线的几何形状，它解释了图像伪影的性质时，分别重建的衰减系数和电子密度。接下来，我们将介绍一种新的联合重建方案，低效率$Z$（原子序数）成像（$Z<20$），其特征在于由正则化策略，其结构是来自λ层析成像原理和直接由微局部分析结果的动机。最后，我们证明了我们的方法在打击噪声和图像伪影模拟幻影的有效性。
2020-04-07 eess.IV math.FA
WKGM: Weight-K-space Generative Model for Parallel Imaging Reconstruction
Nanchang University（南昌大学）；Pennsylvania State University（宾夕法尼亚州立大学）
近年来，基于深度学习的并行成像（PI）在加速磁共振成像（MRI）方面取得了很大进展。但是，它仍然存在一些局限性，如现有方法的鲁棒性和灵活性都有很大的不足。在这项工作中，我们提出了一种方法来探索k空间域学习通过强大的生成建模灵活的校准少PI重建，创造的权重k空间生成模型（WKGM）。具体来说，WKGM是一种广义的k空间域模型，其中k空间加权技术和高维空间增强设计被有效地结合用于基于分数的生成模型训练，从而产生良好且鲁棒的重建。此外，WKGM具有灵活性，可以与传统的各种k空间PI模型进行协同组合，充分利用多线圈数据之间的相关性，实现无标定PI。尽管我们的模型只在500张图像上进行了训练，但不同采样模式和加速因子的实验结果表明，WKGM可以通过良好的k空间生成先验获得最先进的重建结果。
2022-11-25 cs.CV eess.IV
Towards Robust and Generalizable Lensless Imaging with Modular Learned Reconstruction
针对无透镜成像学习方法的泛化性不足问题，提出一种包含预处理器的模块化学习重建方法，理论上证明其必要性并跨掩模类型验证了有效性，同时开源数据集与软件。
2025-02-03 cs.CV eess.IV
Unsupervised Learning From Incomplete Measurements for Inverse Problems
Laboratoire de Physique（物理实验室）；CNRS（法国国家科学研究中心）；ENSL（里昂高等师范学院）；School of Engineering（工程学院）；University of Edinburgh（爱丁堡大学）
在许多现实世界的反问题中，只有不完整的测量数据可用于训练，这可能会给学习重建函数带来问题。实际上，使用固定的不完整测量过程的无监督学习通常是不可能的，因为在测量算子的零空间中没有信息。这种限制可以通过使用来自多个操作者的测量来克服。虽然这一想法已成功地应用于各种应用程序中，但仍然缺乏对学习条件的精确描述。在本文中，我们填补了这一空白，提出必要和充分的条件，学习所需的重建，这表明不同的测量操作员的数量，每个操作员的测量数量，模型的尺寸和尺寸的信号之间的相互作用的基础信号模型。此外，我们提出了一种新的和概念上简单的无监督学习损失，只需要访问不完整的测量数据，并实现了性能与监督学习时，充分条件得到验证。我们验证了我们的理论界限，并通过一系列的实验，如加速磁共振成像，压缩感知和图像修复的各种成像逆问题，证明了所提出的无监督损失相比以前的方法的优势。
2022-09-28 cs.LG eess.IV stat.ML
Uncertainty Quantification for Deep Unrolling-Based Computational Imaging
University of Rochester（罗切斯特大学）
深度展开是一种新兴的基于深度学习的图像重建方法，它弥合了基于模型和纯粹基于深度学习的图像重建方法之间的差距。虽然深度展开方法实现了成像问题的最先进性能，并允许将观察模型纳入重建过程，但它们不提供关于重建图像的任何不确定性信息，这严重限制了它们在实践中的使用，特别是对于安全关键成像应用。在本文中，我们提出了一个基于学习的图像重建框架，将观察模型纳入重建任务，并能够量化认识和任意的不确定性，基于深度展开和贝叶斯神经网络。我们证明了所提出的框架的不确定性表征能力的磁共振成像和计算机断层扫描重建问题。我们调查所提出的框架，以激励未来的研究利用不确定性信息，开发更准确的，强大的，值得信赖的，不确定性的，基于学习的图像重建和分析方法的成像问题提供的认识和任意的不确定性信息的特点。我们表明，所提出的框架可以提供不确定性信息，同时实现与最先进的深度展开方法相当的重建性能。
2022-12-19 cs.LG eess.IV eess.SP
Investigation of Neural Network Methods for Reconstruction and Classification of Texture Images Under Conditions of Incomplete Information
Satbayev University（萨特巴耶夫大学）；Institute of Ionosphere LLP（电离层研究所）；Information Technology Department（信息技术部门）；Assiut University（阿西乌特大学）
提出结合目标检测、GAN（CRA）修复和Transformer/CNN分类的端到端框架，发现重建质量高（PSNR 28.7dB）但分类准确率仅53%，通过置信度混合集成将MCA从48%提升至58%，揭示生成模型产生语义模糊特征的问题。
2026-06-18 cs.CV cs.LG eess.IV
Multibranch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction
Univ. Brest, LaTIM, INSERM, UMR 1101（布雷斯特大学、LaTIM研究所、法国国家健康与医学研究院、UMR 1101联合研究单位）；Nuclear Medicine Department, Poitiers University Hospital（普瓦捷大学医院核医学科）
本文提出基于多分支变分自编码器的医学图像协同重建方法，通过在正则化器中利用成对图像学习实现去噪与重建，并在MNIST和PET/CT数据上验证了低剂量成像质量提升。
2025-02-03 cs.CV eess.IV physics.med-ph
A Wavelet Based Sparse Row-Action Method for Image Reconstruction in Magnetic Particle Imaging
磁性粒子成像（MPI）是一种临床前成像技术，能够可视化磁性纳米粒子的时空分布。这种快速、动态的图像重建过程依赖于一个不适定的逆问题的有效求解。从示踪剂浓度的测量值重建示踪剂浓度的当前方法或者适合于MPI的图像特性，但是遭受较高的计算复杂性和较慢的收敛，或者是快速的，但是重建图像的图像质量不足。在这项工作中，我们提出了一种新的MPI重建方法，将这两种方法的优点结合到一个单一的算法。底层的稀疏先验是基于非抽样小波变换，并集成到一个快速的行动作框架，以解决相应的MPI最小化问题。它的性能进行了数值模拟和真实MPI数据对经典的FISTA方法。我们还将结果与最先进的MPI重建方法进行了比较。在所有的情况下，我们的方法显示出更好的重建结果，并在同一时间加快了底层行动作算法的收敛速度。
2020-03-30 cs.NA eess.IV math.NA
pISTA-SENSE-ResNet for Parallel MRI Reconstruction
Second Affiliated Hospital of Xiamen Medical College（厦门医学院附属第二医院）；Neusoft Medical System（东软医疗系统）
磁共振成像在临床诊断中得到了广泛的应用，但其数据采集时间长的缺点限制了其应用。虽然可以通过稀疏采样和并行成像来加速成像，但是以快速重建速度实现有希望的重建图像仍然是一个挑战。最近，深度学习方法因其令人鼓舞的重建结果而引起了广泛的关注，但缺乏适当的可解释性。本文从稀疏迭代重建的角度设计了并行磁共振成像的网络结构，并利用残差结构对其进行增强，以实现并行磁共振成像的高质量图像重建。公共膝关节数据集的实验结果表明，与基于优化的方法和最新的深度学习并行成像方法相比，所提出的网络具有更小的重建误差，并且在不同加速因子下更稳定。
2019-09-24 cs.CV cs.LG eess.IV
Physics-based Reconstruction Methods for Magnetic Resonance Imaging
传统的磁共振成像（MRI）受到扫描时间长和仅定性图像对比的阻碍，无法在不同系统之间进行直接比较。为了解决这些限制，基于模型的重建明确地对管理MRI信号生成的物理定律进行建模。通过将图像重建公式化为逆问题，可以直接从有效采集的k空间信号中提取潜在物理参数的定量图，而无需中间图像重建-同时解决常规MRI的两个缺点。本综述将讨论基于模型的重建的基本概念，并报告我们在过去十年中开发几种基于模型的方法的经验，使用选定的例子，提供完整的数据和代码。
2021-02-11 cs.CE eess.IV physics.comp-ph
Efficient Computing for Medical Image Acquisition and Reconstruction
探讨医学图像采集与重建，回顾各成像模态物理及采集过程，推导通用框架，讨论多种重建方法及计算特性，研究高效计算考量，展示成像物理、数学建模与高效计算整合可实现准确且可扩展的医学图像重建。
2026-07-16 cs.CV eess.IV math-ph
A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction
Stanford University（斯坦福大学）
深度学习为增强生物医学成像的设备提供了巨大的机会，尽管其设计和实现存在潜在的缺陷。从根本上说，大多数深度学习模型完全由数据驱动，没有考虑任何先验知识，这大大增加了神经网络的复杂性，限制了应用范围和模型的泛化能力。在这里，我们建立了一个几何信息的深度学习框架，用于超稀疏三维断层图像重建。我们介绍了一种新的机制，整合成像系统的几何先验。我们证明，无缝列入已知的先验是必不可少的，以提高超稀疏采样的三维体积计算机断层扫描成像的性能。该研究为数据驱动的生物医学成像开辟了新的途径，并有望为各种临床成像和图像引导干预提供实质性改进的成像工具。
2021-05-25 cs.CV cs.LG eess.IV
SwinCCIR: An end-to-end deep network for Compton camera imaging reconstruction
Tsinghua University（清华大学）
SwinCCIR通过端到端深度学习框架提升康普顿相机成像重建效果，有效解决伪影和形变问题。
2025-12-28 cs.CV eess.IV nucl-ex
Efficient Algorithms for Convolutional Inverse Problems in Multidimensional Imaging
多维成像，即在多于两个维度上捕获图像数据，已经成为具有多种应用的新兴领域。由于二维检测器在获得高维图像数据方面的限制，已经开发了计算成像方法以将一些负担传递给重建算法。在多维成像中的各种图像重建问题中，测量是叠加卷积的形式。在本文中，我们介绍了一个通用的框架，这些问题的解决方案，这里称为卷积逆问题，并开发快速图像重建算法的分析和合成的先验。这些包括稀疏化变换，以及卷积或基于补丁的字典，可以适应不同维度的相关性。由此产生的优化问题，通过交替方向方法的乘法器与封闭形式，高效，可并行化的更新步骤。为了说明它们的实用性和多功能性，开发的算法被应用到三维图像重建的问题，在计算光谱成像的情况下，有或没有相关性沿第三维。随着多维成像模式的出现扩展到执行复杂的任务，这些算法是必不可少的快速迭代重建在各种大规模的问题。
2020-06-15 eess.IV eess.SP physics.optics
AmbientFlow: Invertible generative models from incomplete, noisy measurements
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Analog Devices, Inc.（亚德诺半导体技术有限公司）；Washington University in St. Louis（华盛顿大学圣路易斯分校）
针对计算成像中难以获取高质量训练数据的问题，提出AmbientFlow框架，利用变分贝叶斯方法直接从含噪不完整数据中学习基于流的生成模型，经数值验证可有效学习目标分布并用于下游图像重建任务。
2023-12-13 cs.AI cs.LG eess.IV
Efficient Chebyshev Reconstruction for the Anisotropic Equilibrium Model in Magnetic Particle Imaging
针对磁粒子成像中各向异性模型，提出改进的直接切比雪夫重建方法，通过空间去卷积提高精度，并引入高效近似降低计算复杂度至O(N log N)，在实验体模上验证了优于或相当于系统矩阵重建的性能。
2025-05-23 cs.NA eess.IV math.NA
L1 data fitting for robust reconstruction in magnetic particle imaging: quantitative evaluation on Open MPI dataset
磁粒子成像是一种新兴的定量成像方式，利用超顺磁性氧化铁纳米颗粒独特的非线性磁化现象来恢复浓度。传统的重建被制定成一个惩罚的最小二乘问题与非负约束，然后使用一个变种的Kaczmarz方法，这往往是停止后，少量的迭代早期解决。除了体模信号之外，测量还包括背景信号和噪声信号。为了获得良好的重建效果，通常采用频率选择的预处理步骤来去除噪声的有害影响。在这项工作中，我们提出了一个互补的纯变分方法来处理噪声，通过查看高噪声测量离群值，并采用l1数据拟合，一个流行的方法，从强大的统计。与标准方法相比，它易于实现，但具有相当的计算复杂性。使用公共领域数据集的实验，即，开放MPI数据集，表明它可以提供准确的重建，并且不易于噪声测量，这是通过定量（PSNR / SSIM）和定性比较与Kaczmarz方法说明。我们还研究了小迭代次数的Kaczmarz方法的性能定量。
2020-06-06 cs.NA eess.IV math.NA
Prior Image-Constrained Reconstruction using Style-Based Generative Models
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
从高度不完整的成像测量中获得对物体的有用估计仍然是成像科学的圣杯。深度学习方法在学习对象先验或约束以改善不适定成像逆问题的条件方面显示出了希望。在这项研究中，提出了一个框架，用于估计一个感兴趣的对象是语义相关的一个已知的先验图像。在基于风格的生成模型的解开的潜在空间中制定优化问题，并使用先前图像的解开的潜在表示施加语义上有意义的约束。从理论上分析了利用先验图像从不完整测量中稳定恢复的方法。数值实验表明，我们的方法相比，相关方法的优越性能。
2021-06-14 cs.CV cs.LG eess.IV
Learning Priors in High-frequency Domain for Inverse Imaging Reconstruction
Nanchang University（南昌大学）
成像中的不适定逆问题是近几十年来的一个研究热点，新的方法不断涌现。认识到流行的字典学习和卷积稀疏编码本质上都是对图像的高频分量进行建模，这些分量传达了大部分语义信息，如纹理细节，在这项工作中，我们提出了一种新的多轮廓高频变换引导去噪自动编码器作为先验（HF-DAEP）。为了实现这一目标，我们首先通过特定的变换提取一组多轮廓高频分量，并将人工高斯噪声添加到这些高频分量作为训练样本。然后，随着高频先验信息的学习，我们将其纳入经典的迭代重建过程中的近似梯度下降技术。对高度欠采样的磁共振成像和稀疏视图计算机断层扫描重建的初步结果表明，所提出的方法可以有效地重建特征细节，并呈现出比最先进的优势。
2019-10-23 cs.CV cs.LG eess.IV
An evaluation framework for sparse 4D (3D + time) imaging reconstruction via bootstrapped cross-validation
Synchrotron Radiation Research and NanoLund, Lund University（隆德大学同步辐射研究与纳米隆德中心）；Medical Radiation Physics, Lund University（隆德大学医学放射物理）；University College London（伦敦大学学院）
本文提出了一种基于有放回交叉验证的框架，用于在没有4D参考的情况下评估稀疏4D成像重建性能，通过比较独立采样子集生成的重建结果之间的相关性，为超快成像应用提供无参考性能评估和实验策略支持。
2026-05-18 eess.IV physics.comp-ph physics.data-an
Model-based reconstructions for quantitative imaging in photoacoustic tomography
本章概述了光声断层成像中定量成像的基于模型的重建技术，涵盖光声建模及从解析、优化到数据驱动的多种重建方法，以实现物理参数的准确恢复。
2023-11-27 cs.NA eess.IV math.NA
