本研究提出了一种使用深度学习减少雷达信号干扰的新方法，该方法在各种干扰条件下表现良好，并且具有低的处理时间和比传统的信号处理方法更好的性能。

Mar, 2019

介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

Apr, 2019

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

本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

Jul, 2020

磁共振成像（MRI）在医学影像学的发展为诊断提供了一个安全、非侵入性替代技术，尤其是 0.55T 和 7T MRI 技术结合了深度学习方法，改善了图像细节和组织特征，对这些技术的改进和完善具有很高的潜力。

Jul, 2024

本研究引入了 DECODE，一种以频域的序列建模为主的端到端模型，通过扩展因果卷积神经网络实现 EMRI 信号检测，能够高效处理一年的多通道 TDI 数据，并在信噪比在 50 到 120 之间的情况下，在 0.01 秒以内实现 96.3% 的真阳性率和 1% 的假阳性率。通过展示三个 EMRI 信号的可解释性和推广性，DECODE 展示了未来基于空间的引力波数据分析的巨大潜力。

Aug, 2023

通过采用 Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了 94% 的全局模型精度和 96% 的集成模型精度。

Mar, 2024

本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

May, 2023

基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

Feb, 2024