提出了一种名为混合融合生成对抗网络（HF-GAN）的新型统一框架，通过多模式磁共振成像，使得通过补充信息来提供可靠的临床应用诊断。实验证明，该方法在数据插补任务中表现出优异的性能，并且比现有方法在定量和定性比较方面更加优越。

Jun, 2024

本研究针对 BraTS 2023 中的 Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn) 挑战，通过深度学习中的图像对图像转换探究不同图像质量损失函数的监督下常用的深度学习框架 Pix2Pix 的有效性，并展示了不同学习目标的有益组合如何优化图像合成性能。

Mar, 2024

本篇研究提出了一种基于生成对抗网络的多输入、多输出的方法，通过利用多个序列的冗余信息，能够在单次扫描中生成患者缺失的磁共振成像序列，该方法在两个不同的 4 序列脑 MRI 数据集上进行了测试，并与单模态和多模态方法进行了比较，结果定量和定性上均优于其竞争方法。

Apr, 2019

利用生成对抗网络合成缺失的磁共振成像序列，为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。

Oct, 2023

本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

Dec, 2023

通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。

Dec, 2023

本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

May, 2023

使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。

Mar, 2024

用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。

Mar, 2024

该论文提出了一种生成合成 fMRI 序列的方法，以创建增强的训练数据集，并通过视觉化和自闭症谱系障碍（ASD）分类任务的评估结果表明，合成的任务特定 fMRI 可以在学习 ASD 分类任务中提供有效的数据增强。

Aug, 2023