2023年6月21日，医学成像领域顶级期刊《IEEE Transactions on Medical Imaging》(中科院大类一区Top期刊，IF：11.037)上刊登发表了我院成像与视觉表示课题组的论文“One-shot Generative Prior in Hankel-k-space for Parallel Imaging Reconstruction”。论文第一作者是2020级通信工程专业硕士研究生彭鸿和2021级计算机科学与技术专业硕士研究生江晨，指导老师为信息工程学院张明辉教授、刘且根教授和合作单位中国科学院深圳先进技术研究院王珊珊研究员、梁栋研究员等。

该工作提出了一种单样本原始采集数据域生成学习的快速成像重建新思路。近些年来，虽然以深度学习为核心的各种人工智能方法在提升医学成像速度方面取得可喜进展，但它们往往需要以提供大量高质量、可学习的数据集为前提。然而，在医学领域获取此类的大数据集非常困难或代价很大。为减少对大数据集的依赖，该工作从原始采集多通道数据的Hankel展开会得到大量具有冗余特征、带低秩结构的数据这一现象出发，创新性地提出在Hankel数据域中多个切分形成的数据集里进行深度生成学习的策略，从而实现了在单样本下物理约束生成学习的重建理论和方法。

文章链接：https://ieeexplore.ieee.org/document/10158730

图1：三种思路的对比：（a）经典单样本物理约束的重建思路;（b）大样本数据学习的重建思路;（c）本文所提单样本下物理约束生成学习的重建思路。

近三年，成像与视觉表示课题组在探索深度生成学习机制于磁共振快速成像领域取得持续进展。系列成果先后发表在医学图像分析(Med. Image Anal., IF: 13.828)、医学成像（IEEE Trans. Med. Imag.，IF: 11.037；Magn. Reson. Med., IF: 3.8）和神经计算（Neurocomputing., IF: 5.779）等权威期刊。形成了三个成体系的系列进展：从去噪自编码到生成模型的学习机理研究、从图像域到原始采集数据域生成学习的学习对象研究、从大数据深度生成学习到小样本生成学习的学习方式研究。逐步发展了高精度、鲁棒型的深度生成学习快速成像理论和技术体系。

成果链接：https://github.com/yqx7150/Diffusion-Models-for-Medical-Imaging

图2：去噪自编码到生成模型的学习机理系列研究。

图3：从图像域到原始采集数据域生成学习的学习对象研究。