图像到图像的转换在医学影像领域具有巨大影响，本研究介绍了用于图像合成评估的参考和非参考度量标准，并调查了九种需要参考的度量标准（SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI 和 PCC）以及三种非参考度量标准（BLUR、MSN 和 MNG）对来自 BraSyn 数据集的 MR 图像的 11 种扭曲的检测能力。此外，还测试了下游分割度量标准和三种归一化方法（Minmax、cMinMax 和 Zscore）的影响。通过合理选择和结合图像相似性度量标准，可以改进用于 MR 图像合成的生成模型的训练和选择，在高成本的经过训练的放射科医生评估之前可以验证其输出的许多方面。

May, 2024

图像质量评估 (IQA) 不仅在临床实践中确保高标准的不可或缺，而且在基于医学图像的新算法开发阶段也是必须的。本文提供了一个有结构且全面的示例集，其中两种最常见的全参考 (FR) 图像质量评估方法无法用于评估使用不同类型医学图像 (包括真实世界的 MRI、CT、OCT、X 射线、数字病理学和光声成像数据) 的新算法。需要紧急改进，以增加医学图像及其它领域机器学习的可解释性、可重复性和泛化性。除了这些障碍，我们还将提供未来研究的思路，并建议在医学图像中使用 FR-IQA 方法的指导方针。

May, 2024

介绍了 fastMRI 数据集，旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。

Nov, 2018

本研究提出了一种基于 meta-learning 的方法，通过使用 teacher-student 机制学习低场磁共振成像到高场磁共振成像的映射，解决了直接学习由低场到高场映射的方法的局限，通过实验证明，该方法在重建高场磁共振成像方面优于现有的技术。

May, 2023

我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

Dec, 2023

该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑 MRI 的图像重建，实验证明 SAIR 与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。

Nov, 2022

MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

Apr, 2020

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

研究自动分割用于磁共振成像 (MRI) 脑部扫描的遗漏数据问题，通过合成扫描图像解决数据缺失问题，并使用聚类和像素转换等多种方法进行图像合成，验证合成图像在分割过程中的有效性。

Dec, 2023

通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

Nov, 2023