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

人工智能在核医学领域的影响正在迅速增长，研究人员和临床医生力图将人工智能应用到 PET，临床医生将很快发现自己参与到从图像重建到增强报告的分子成像链的人工智能应用中，这种人工智能在 PET 成像中的不断扩大的存在将导致对与人工智能不熟悉的教育资源的更大需求。本文的目标是为那些不熟悉人工智能的人提供现代人工智能核心原理的图文指南，重点关注在 PET 成像中最有可能遇到的方面。我们描述了卷积神经网络、算法训练，并解释了常用的 U-Net 在分割和图像合成中的组件。

Nov, 2023

大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

May, 2024

本章提供了关于深度学习技术用于改善 MRI 空间分辨率的概述，包括卷积神经网络、生成对抗网络，以及更高级的模型，如 transformers、扩散模型和隐式神经表示。我们探索了超分辨图像对临床和神经科学评估的影响，并涵盖网络架构、图像评估指标、网络损失函数和训练数据细节等各种实际主题，包括模拟低分辨率图像的下采样方法和数据集选择。最后，我们讨论了深度学习 MRI 超分辨率的现有挑战和潜在未来发展方向，旨在促进其广泛应用于各种临床和神经科学应用。

Jun, 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

本文综述了医学成像技术中使用人工智能特别是深度学习方法如卷积神经网络来协助医生快速而准确地诊断疾病。

Jun, 2023

概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

Nov, 2018

深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

Apr, 2024

本文回顾了 QPI 和机器学习之间的协同作用，着重介绍了深度学习的应用，并提出了未来发展的实用指南和观点。

Jun, 2018

Cloud-MRI 系统整合了分布式云计算、6G 带宽、边缘计算、联邦学习和区块链技术，旨在解决 MRI 数据存储安全、传输速度、AI 算法维护、硬件升级和协同工作的问题，从而提高诊断准确性和工作效率。

Oct, 2023