La compresión sensorial (CS) y sus aplicaciones médicas son áreas activas de investigación. En este documento, revisamos trabajos recientes que utilizan el método de aprendizaje profundo para resolver problemas de CS en imágenes o reconstrucción de imágenes médicas, incluyendo tomografía computarizada (TC), resonancia magnética (RM) y tomografía por emisión de positrones (PET). Proponemos un marco novedoso para unificar algoritmos iterativos tradicionales y enfoques de aprendizaje profundo. En resumen, definimos dos operadores de proyección hacia la prioridad de la imagen y la consistencia de datos, respectivamente, y cualquier algoritmo de reconstrucción puede descomponerse en estas dos partes. Aunque los métodos de aprendizaje profundo pueden dividirse en varias categorías, todos cumplen con el marco propuesto. Establecemos la relación entre diferentes métodos de reconstrucción de aprendizaje profundo y los conectamos con métodos tradicionales a través del marco propuesto. También indica que la clave para resolver el problema de CS y sus aplicaciones médicas es cómo representar la prioridad de la imagen. Basándonos en el marco, analizamos los métodos actuales de aprendizaje profundo y señalamos algunas direcciones importantes de investigación en el futuro.