磁共振成像（MRI）作为一种重要的医学影像技术，在疾病诊断和治疗中发挥着至关重要的作用。

然而，MRI成像速度慢、扫描时间长，限制了其在临床上的广泛应用。

为了解决这一问题，基于压缩感知（CS）的MRI重建技术应运而生，该技术通过采集欠采样的k空间数据来缩短扫描时间，并利用图像的稀疏性进行重建。

近年来，深度学习技术在图像处理领域取得了巨大成功，基于深度学习的MRI重建方法也取得了显著进展，其中深度残差网络（ResNet）作为一种强大的深度学习架构，在图像识别、目标检测等领域表现出色，并在MRI重建领域展现出巨大潜力。

本文将对基于深度残差网络的MRI重建方法进行综述，介绍MRI重建的基本概念、深度残差网络的基本原理，并重点阐述基于深度残差网络的MRI重建方法的研究现状、主要方法和未来发展趋势。

关键词：磁共振成像；压缩感知；深度残差网络；图像重建；深度学习

磁共振成像（MagneticResonanceImaging，MRI）是一种利用核磁共振原理获取人体内部结构信息的医学影像技术，具有无辐射、多参数成像、软组织对比度高等优点，被广泛应用于临床诊断和科学研究。

然而，MRI成像速度相对较慢，扫描时间较长，这不仅降低了患者的舒适度，也限制了MRI在一些需要动态成像的临床应用，例如心脏成像和功能性MRI。

压缩感知（CompressedSensing，CS）理论的提出为加速MRI成像提供了新的思路。

CS理论指出，如果信号在某个变换域是稀疏的，那么就可以用远低于奈奎斯特采样定理要求的采样率来采集信号，并通过特定的重建算法从欠采样的数据中恢复出原始信号。