该研究探讨了新兴的模拟内存计算（AIMC）在医疗人工智能分析中的作用，并改善边缘计算中模型的准确性。通过对比 AIMC 的效率与传统数字计算的局限性，对脑肿瘤分析、脾脏分割和核分割进行了全面评估。研究重点突出了各向同性架构的出色鲁棒性，在模拟感知训练中仅出现最小的准确度下降（0.04），而棱锥体结构则出现显著下降（高达 0.15）。此外，该论文强调了 IMC 的有效数据流水线处理，减少延迟，增加吞吐量，并巧妙地利用 AIMC 内在的噪音来增强模型的确定性。

Feb, 2024

本研究提出了一种基于 sMRI 数据的新型深度学习框架 MCIAT，通过多任务协同预训练和个体自适应标记微调相结合，以实现高水平的语义表示和大脑诊断性能，对其在多个 sMRI 数据集中进行了评估，并证实了其可解释性。

Jun, 2023

本研究提出了一种新颖的基于注意力的多任务学习框架，通过跨任务的交互作用更好地利用了医学影像任务中的跨任务相互作用，从细粒度级别到图像级别的预测，有效提高了医学影像任务的准确性。

Sep, 2023

磁共振成像（MRI）与人工智能（AI）的复兴密切相关。通过利用 AI 在大规模优化和模式识别方面的能力，创新方法正在改变 MRI 采集流程，包括规划、序列设计和纠正采集伪影。这些新兴算法在增强采集步骤的效率和吞吐量方面展示了重要潜力。本综述讨论了神经 MRI 采集中几种重要的基于 AI 的方法，重点关注其技术进展、对临床实践的影响和潜在风险。

Jun, 2024

通过使用人工智能的智能信号处理方法，我们展示了人工智能在核磁共振应用中超越传统技术的新机遇。我们开发和训练了几个人工神经网络，应用在我们的新工具箱 MR-Ai 中，解决了三个 “不可能” 的问题：仅使用传统 Echo/Anti-Echo 方案中 Echo（或 Anti-Echo）调制进行象限检测；获取由任何给定方法处理的光谱中每个点信号强度的不确定性；以及定义一个无需参考的评分来定量评估核磁共振光谱质量。我们的发现突显了人工智能技术改变核磁共振处理和分析的潜力。

May, 2024

探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

Sep, 2019

本研究提出了一种利用非线性扩散张量配准和深度学习模型以及生物标志物密度图等多维数据来估计磁共振扩散成像技术（dMRI）生物标记的框架；其中，将深度学习和生物标志的统计映射相结合，被证明取得了比传统方法更高的精度。

May, 2022

该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

Jun, 2023

通过对小鼠大脑（涉及多个皮层区和亚皮层区）成像图像的研究，发现自监督方法可以用来学习能够捕获图像多个属性的表征，并在多个下游任务上表现良好的特征。提供了多任务神经影像基准（MTNeuro）的数据集，注释和多个下游任务，其中包括对大脑结构和架构的不同预测挑战。

Jan, 2023

通过实现面向 6G 及更高版本网络的基于数据驱动的 AI 原生架构，可以最终实现在网络边缘分布多个机器学习工作负载，驱动次级载波预测、定位、信道预测等下游任务。该研究探讨了多任务学习在构建通用 AI 原生无线接入网络方面的有效性，重点研究了次级载波预测、用户位置预测、室内链路分类和视线链路分类四项任务，在真实模拟中验证了性能，并得出了关于模型架构、损失和梯度平衡策略、分布式学习拓扑结构、数据稀疏性和任务分组等多方面设计要点的定量分析和见解，结果显示在四项考虑的任务中，采用基于定制门控的专家架构和基于不确定性的权重调节的多任务学习方法在性能上要么超过单任务学习，要么与其持平；在多任务学习设置下，视线链路分类任务有助于其他任务，但自身性能下降；对于稀疏训练数据，训练单一全局的多任务学习模型有帮助，但性能与单任务学习持平；每个任务存在一组最佳的任务组配对；多任务学习设置下的部分联邦要好于全模型联邦。

Apr, 2024