基于光谱扩散后验采样的多材料分解研究 背景介绍 在医学成像领域，CT（计算机断层扫描）技术被广泛应用于疾病诊断和治疗规划。近年来，谱CT（spectral CT）因其能够提供能量依赖的衰减信息，成为研究热点。谱CT通过多能量通道的投影数据，可以重建出不同材料的密度分布，这一过程称为材料分解（material decomposition）。然而，材料分解是一个高度非线性的逆问题，传统的分解方法如解析分解（analytical decomposition）和迭代模型分解（iterative/model-based decomposition）存在诸多局限性，如计算效率低、噪声大、模型依赖性强等。此外，尽管基于深度学习的分解方法在精度和速度上有显著提升，但它们往往缺乏对物理模型的显式利用，导致鲁棒...

基于自校准机制的深度重建框架（DEISM）在加速化学交换饱和转移成像中的应用 学术背景 化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）成像是一种高灵敏度的分子磁共振成像技术，能够检测与多种疾病（如癌症、癫痫和卒中）相关的生物分子。然而，CEST成像的一个主要缺点是扫描时间过长，这是由于需要在不同的饱和频率偏移下进行多次数据采集。长时间的扫描限制了CEST成像在临床中的广泛应用。为了解决这一问题，研究者们致力于开发加速CEST成像的技术，主要通过利用数据中的冗余信息，从欠采样的k空间数据中重建图像。 尽管现有的并行成像和压缩感知（Compressed Sensing, CS）技术在一定程度上加速了CEST成像，但这些方法仍存在局限性。...

利用基于物理知识的深度学习实现低场强MRI图像重建 背景介绍： 磁共振成像（MRI）技术近年来在低场磁共振成像中的应用越来越受到关注。低场MRI由于其成本低、维护简便，被认为在各种临床和研究环境中具有广泛的应用前景。例如，便携式低场MRI扫描仪不仅更容易操作，还可用于应急单位和手术室等场景。此外，初步评估表明低场MRI在中风诊断中具有潜在的临床应用，这使得该技术在全球医疗诊断中更具吸引力。然而，低场MRI的主要挑战包括低信噪比（SNR）和由磁体设计、材料缺陷和制造公差引起的强B0场不均匀性。 本研究由David Schote, Lukas Winter, Christoph Kolbitsch, Georg Rose, Oliver Speck和Andreas Kofler等学者完成，发表于...