实验室内网服务器为保障运行安全与实验环境稳定，默认关闭外网直接访问权限。日常使用中常会出现服务器无法联网、系统指令安装失败、公网无法连通、代码仓库拉取失败等问题，严重影响环境部署、依赖安装与实验调试工作。为避免改动服务器原有内网IP、网关等核心配置，最大程度保留内网业务稳定性，本文采用本地局域网网络中转 + Linux export环境变量配置方案，通过内网设备网络共享的方式，为服务器临时或永久开

基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而，CNN很难捕获长距离依赖关系，而Transformer的计算复杂度高，局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系，本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说，我们提出了核心R-MLP模块，该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进

图像恢复和增强是通过消除诸如噪声、模糊和分辨率退化等退化来提高图像质量的过程。深度学习(DL)最近被应用于图像恢复和增强。由于深度神经网络的病态性，人们已经探索了大量的先验知识来促进深度神经网络的训练。然而，到目前为止，学界还没有对先验的重要性进行系统的研究和分析。因此，本文首次对先验算法在深度图像恢复和增强方面的最新进展进行了全面的综述。

盲点网络（Blind-spot networks，BSN）是自监督图像去噪（self-supervised image notifying，SSID）中常用的神经网络结构，但大多数现有的BSN都是在卷积层上进行的。虽然transformers在许多图像恢复任务中表现出克服卷积限制的潜力，但其注意机制可能违反盲点要求，从而限制了其在BSN中的适用性。为此，我们提出分析和重新设计通道和空间注意以满足盲

低计数正电子发射断层扫描重建对于保持高成像质量，同时最大限度地减少示踪剂剂量和辐射暴露至关重要。尽管整合CT和MR数据的结构信息已被证明可以增强PET重建，但这通常需要同时进行PET和CT/MRI扫描，使工作流程复杂化，并增加辐射暴露。基础模型的最新进展为面对面CT/MRI成像提供了一种有前景的替代方案，有可能克服这些局限性。然而，已经观察到使用基础模型的分割掩码作为语义指导会在低计数PET重建中

基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而，CNN很难捕获长距离依赖关系，而Transformer的计算复杂度高，局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系，本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说，我们提出了核心R-MLP模块，该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进

心脏不自主运动仍然是心脏计算机断层扫描(CT)成像的一个挑战。虽然心电图门控策略被广泛应用于准静止心脏期的CT扫描，但对于心率高或节律不规律的患者，运动诱发的伪影仍然不可避免。动态心脏CT，提供心脏的功能信息，遭受更严重的运动伪影。在本文中，我们开发了一个基于深度学习的框架，用于动态心脏CT的运动伪影减少。首先，我们基于全心运动模型和单相心脏CT图像构建了PAD(伪全期临床数据集)。该数据集提供了

​近年来，磁共振成像（MRI）的亚采样测量重建方法取得了很大进展。正则化重建方法利用手工制作的先验数据的稀疏性以及数据的一致性来得出解决方案（Donoho，2006），但先验的构造是十分重要的，并且没有一种方法能够正确地建模MRI扫描的实际复杂数据分布pdatap_{data}pdata​。数据驱动的深度学习方法可以直接（Wang等人，2016）或间接（Oh等人，2020；Yaman等人，2020

在正向算子已知的情况下(即非盲)，基于扩散模型的逆问题求解器已经展示了最先进的性能。然而，该方法对盲逆问题的适用性还有待探索。 在这项工作中，我们证明我们确实可以通过为前向算子构造另一个扩散先验来解决一系列盲逆问题。具体来说，在中间阶段梯度引导下的平行反向扩散可以同时优化正演算子参数和图像，从而在平行反向扩散过程结束时对两者进行联合估计。我们展示了我们

我们提出MindEye，一种新的fMRI-to-image方法来检索和重建从大脑活动中看到的图像。我们的模型包括两个并行子模块，专门用于检索(使用对比学习)和重建(使用扩散先验)。MindEye可以将fMRI大脑活动映射到任何高维多模态潜在空间，如CLIP图像空间，使用生成模型接受来自该潜在空间的嵌入，从而实现图像重建。我们将我们的方法与其他现有方法进行全面比较，使用定性并排比较和定量评估，并表明