- BC-MRI-SEG：乳腺癌 MRI 肿瘤分割基准
基于公开可用的磁共振成像 (MRI) 数据集，提出了一个基准 (BC-MRI-SEG) 来进行二元乳腺癌肿瘤分割，其中包括四个数据集，其中两个用于监督式训练和评估，两个用于无样本评估，并在基准上比较了最先进的方法，并提供了可用的公共乳腺癌 - 合成脑图像：用生成对抗模型弥合脑部映射中的差距
使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。
- LATUP-Net：一种用于脑肿瘤分割的轻量级三维注意力 U-Net 与并行卷积网络
提出了一种名为 LATUP-Net 的轻量级 3D ATtention U-Net with Parallel convolutions 架构，以显著降低计算需求，同时保持高水平的分割性能，适用于具有资源限制的真实世界临床应用。
- CVPR重新思考用于多对比度 MRI 超分辨率的扩散模型
提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床 - 基于双层引导扩散模型的零样本医学成像逆问题
通过双层引导策略有效地引导初始无条件预测，并通过外层近端优化目标加强测量一致性，BGDM 相对于基线方法在生成高保真医学图像方面更加有效和高效，显著减少了严重退化情况下的幻觉性伪影。
- 多任务磁共振成像重建基于元学习
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。
- 利用深度學習和 Xception 架構進行高準確性 MRI 在阿茲海默症診斷中的分類
利用深度学习模型通过创新的数据处理和模型构建步骤对核磁共振成像（MRI）图像进行分类，以识别阿尔茨海默病的不同阶段，并通过非侵入性手段实现疾病进展的监测和早期精确诊断，实验证明基于 Xception 模型的深度学习框架在多类别 MRI 图像 - 利用合成数据改进胎儿 MRI 中的跨领域脑组织分割
FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨 - 三维健康脑组织修复的去噪扩散模型
通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。
- CVPR基于子采样分解的渐进式分而治之加速 MRI
通过渐进的分解与征服策略，将重建过程分解成连续的步骤，并通过逐步恢复适度降级、自适应学习降级预测和严重程度条件模块等技术来提高磁共振成像重建性能。
- 通过隐私保护的 MRI 分析推动医疗保健
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。
- 随机皮层自重建
磁共振成像（MRI）对诊断神经退行性疾病至关重要，然而准确评估轻度皮质萎缩仍然是一个挑战，因为其细微性质。我们介绍了随机皮质自重建（SCSR）的概念，通过使用 MRI 获得的厚度作为输入来创建一个个体特异的健康参考，并隐式考虑潜在的混淆因素 - 推断阶段去噪对于欠采样 MRI 重建
通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。
- 分解的基于隐空间能量的风格转换：一种基于图像水平的结构磁共振图像协调框架
设计了一种新颖的分离的基于潜在能量的风格翻译（DLEST）框架，用于未配对的图像级 MRI 协调，包括（1）无场地相关图像生成（SIG），（2）场地特定风格翻译（SST）和（3）场地特定 MRI 合成（SMS）。
- 基于协作模型的 MRI 重建网络
通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。
- 在深度学习时代，注册原始标记的 MR 是否足够用于应变估计？
磁共振成像（MRI）标记技术在测量组织运动和应变时一直被使用，然而标记褪色现象经常使后期处理变得复杂。本研究的第一项贡献是通过考虑序列成像中的 $T_1$ 弛豫以及射频脉冲的重复应用来建模标记褪色。这是以前在 tMRI 后处理研究中被忽视的 - 多模神经网络检测脑肿瘤
本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。
- 无监督的联邦域自适应用于 MRI 图像分割
使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因 - 利用 MRI、计算机模型和机器学习非侵入性估计肺动脉平均压力
肺动脉高压是一种严重疾病，其特征为肺动脉压力升高。本文研究了使用磁共振成像、计算机模型和机器学习进行非侵入性肺动脉高压检测的方法。我们通过消融研究表明，基于血液循环模型的物理启发特征工程提高了梯度提升决策树算法在肺动脉高压分类和 mPAP - DiffCMR: 快速心脏 MRI 重建与扩散概率模型
本研究提出了一种基于条件去噪扩散概率模型的新型磁共振成像 (MRI) 图像去噪框架 DiffCMR，通过感知来自欠采样 MRI 图像切片的条件信号，并生成相应的全采样 MRI 图像切片。经过多轮合成策略的推断，验证了 DiffCMR 在 M