MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

Feb, 2024

本研究提出了一种多任务的网络 ——Multi-task Swin UNEt TRansformer 网络，用于解决在 CMR 运动挑战中的 CMR 分割和运动伪影分类，实现了同时确定 CMR 的诊断质量和生成掩模的目的。通过 5 倍交叉验证训练 5 个网络的集合，我们实现了 DICE 系数为 0.871 的分割性能和 0.595 的分类准确性。

Sep, 2022

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

通过在深度学习模型中引入注意力机制，本研究旨在探索在心脏磁共振重建问题中整合注意力机制的潜力。我们对多种最先进的空间和通道注意力机制进行了基准测试，并使用客观指标定量评估重建质量。受表现最佳的注意力机制的启发，我们提出了一个新的、简单而有效的注意力流水线，专门为心脏图像重建任务进行了优化，优于其他最先进的注意力方法。

Apr, 2024

该研究设计了一项心脏 MRI 分析挑战赛（CMRxMotion Challenge），以评估呼吸运动对图像质量的影响，并检验分割模型的稳健性，招募了 40 名志愿者进行不同的呼气行为，采集了具有伪影的短时成像，并通过定量评估绩效和对比实验，考察自动化影像质量评估和分割任务的算法效果。

Oct, 2022

使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

Jun, 2024

研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

Sep, 2023

本研究提出了一种框架，基于深度学习的切片预测方案和数据增强技术，可以在不使用校正算法的情况下提取运动自由的扫描投影部分，并重建出干净的短扫描成像。该框架已经成功验证，适用于广泛的运动情况的研究。

Apr, 2023

本文提出一种新的方法，通过将动态模块集成到基于深度学习的 MRI 重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。

May, 2024

使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

Oct, 2018