magnetic resonance imaging
PulseAugur coverage of magnetic resonance imaging — every cluster mentioning magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
- used by Tau PET Imaging in the NACC Study Cohort 90%
- used by Radiotherapy 80%
- used by Fastmri 70%
- used by peak signal-to-noise ratio 70%
- used by Diffusion Models 70%
- used by Flair 70%
- developed Tau PET Imaging in the NACC Study Cohort 70%
- developed by QMRITools 70%
- instance of David Holzer 70%
- used by T1WRE3: NONAME 70%
- used by Dice Score 70%
- used by TotalSegmentator 70%
- 2026-05-19 research_milestone Publication of a research paper detailing a new browser-native GPU architecture for MRI digital twins. 来源
19 天有情绪数据
Emerging trend: State-space models and self-supervised learning gaining traction in MRI image processing
Recent evidence highlights the successful application of both state-space models (SO-Mamba) for reconstruction and self-supervised learning (SMIT) for segmentation in MRI. This suggests a broader shift towards more advanced AI architectures beyond traditional CNNs and Transformers for improving MRI data quality and analysis.
SO-Mamba to be integrated into commercial MRI reconstruction software within 18 months
The SO-Mamba model shows significant performance improvements over existing CNN, Transformer, and Mamba approaches for MRI reconstruction. Given its demonstrated superiority on public benchmarks and efficient computation, it is likely to be adopted by commercial MRI vendors for integration into their reconstruction software to enhance scan speed and image quality.
AI-driven real-time MRI of speech production to enable new diagnostic tools for speech disorders
The integration of acoustic data with visual MRI for real-time speech production analysis represents a significant leap in understanding vocal tract dynamics. This advancement could lead to the development of novel diagnostic tools for various speech and swallowing disorders, allowing for more precise assessment and personalized treatment plans.
-
新的AURA策略改进了超低场儿童脑部MRI分割
研究人员开发了一种名为AURA的不对称监督策略，用于分割使用超低场（ULF）技术的儿童脑部MRI。该方法解决了ULF成像中解剖边界不那么清晰的挑战。AURA利用两种不同的标注：高场衍生（HF）掩码和低场编辑（LF）掩码，将它们视为独立的观察结果，而不是可互换的真实标签。该策略将训练锚定在HF掩码上，并通过可靠性门控整合LF掩码，在LISA 2026挑战赛的初步评估中显示出有希望的结果。
-
SliceBridge框架利用流匹配修复损坏的MRI间隔
研究人员开发了SliceBridge，一个旨在修复T1加权MRI扫描中损坏间隔的新型框架。该方法利用流匹配，以周围完整的切片及其相对位置为条件，来重建受影响的区域。SliceBridge在近10,000个MRI体积上进行了训练和验证，并在超过500名外部受试者上进行了测试，证明了下游形态学分析的误差显著降低。
-
代理LLM无需训练即可进行神经放射学分析
研究人员开发了一种新颖的、无需训练的代理流程，用于分析神经放射学图像，利用大型语言模型（LLM）来协调外部工具。该方法通过使LLM能够与专业软件交互以执行预处理、病理分割和体积分析等任务，从而绕过了LLM内在的3D空间推理需求。该系统在包括GPT-5.4、Gemini 3.1 Pro和Claude Sonnet 4.6在内的多个LLM上进行了验证，证明了其在无需模型训练或微调的情况下处理复杂、多步骤工作流程的能力。发布了一个基准数据集…
-
Mamba架构应用于放射治疗计划中的MRI到CT合成
研究人员已将最初为图像分割设计的SegMamba架构改编用于放射治疗计划的MRI到CT合成。这种新颖的方法利用状态空间建模来捕捉复杂的体积特征和长距离依赖关系，旨在提高准确性，同时与nnU-Net等传统卷积方法相比保持较低的参数数量。在SynthRAD2025数据集上的实验证明了基于Mamba的模型在跨模态医学图像翻译方面的潜力，为其整合到放射治疗工作流程铺平了道路。
-
医学基础模型增强脑部MRI造影剂剂量模拟
研究人员开发了一种新的脑部MRI造影剂剂量模拟方法，该方法利用医学基础模型的特征作为感知损失。与使用标准自然图像骨干网络相比，这种方法旨在提高图像合成的准确性。研究发现，RadImageNet模型在作为特征提取器使用时，在减少残余增强和在脑部MRI模拟中保持忠实的剂量降低轨迹方面表现出优越的性能。
-
新的混合 AI 框架提高了从 MRI 扫描中检测脑肿瘤的效率
研究人员开发了用于分析 MRI 扫描以更有效地检测脑肿瘤的新型混合框架。一种方法 ORB-SVM 将定向 FAST 和旋转 BRIEF (ORB) 算法与支持向量机 (SVM) 分类相结合，通过显著降低数据维度，在 Br35H 数据集上实现了 97.5% 的准确率。另一种方法侧重于通过将对比度限制自适应直方图均衡化 (CLAHE) 集成到预处理流程中来增强边缘检测，这提高了肿瘤边界描绘的召回率和 F1 分数，同时保持了近乎实时的性能。
-
可变形图像配准精度不足以进行脑转移瘤再照射
一项新研究评估了可变形图像配准（DIR）方法在脑转移瘤再照射中累积辐射剂量的准确性。研究人员使用接受立体定向放射外科治疗的患者的纵向 MRI 数据，对各种基于学习和基于优化的 DIR 技术进行了基准测试。尽管基于优化的方法表现最佳，但即使是最先进的 DIR 方法，在这一背景下也未能达到未经监测的临床使用的足够精度，因此需要进行病例级质量控制。
-
新AI方法提高脑肿瘤分割的准确性和泛化能力
研究人员开发了用于脑肿瘤MRI扫描分割的先进方法，旨在提高在不同数据集和患者群体中的泛化能力。一种方法利用nnU-Net框架，结合自训练和肿瘤感知形变，以提高BraTS 2026挑战赛的分割准确性，取得了较高的Dice和NSD分数。另一项研究系统评估了不同MRI序列的影响，发现T2f/FLAIR序列提供了最佳的跨数据集性能，而多序列训练和有限的目标域适应进一步提升了结果。
-
新的AI方法提高了跨域MRI分割的可靠性
研究人员开发了一种名为CARD（基于反向扩散的共识校准）的新方法，以提高AI分割模型在医学成像中的可靠性，特别是在处理域外数据时。该技术利用扩散模型的内部机制，识别并纠正因域漂移（如MRI伪影或协议的变化）而产生的自信错误。CARD在各种MRI类型中显示出校准误差的显著提高，在许多比较中优于现有方法。
-
联邦学习提升MRI扫描脑健康预测能力
研究人员开发了一种联邦学习方法，用于从卒中患者的MRI扫描中估算脑年龄差异（BrainAGE）。该方法解决了通常阻碍大规模神经影像学研究的隐私问题。该方法在16家医院中心的1674名患者中进行了测试，结果表明联邦学习模型的表现优于单中心模型，但不如集中式学习模型准确。研究发现，较高的BrainAGE、糖尿病等血管风险因素与卒中后三个月的功能结局较差之间存在显著关联，这表明BrainAGE在卒中护理的预后模型中具有实用价值。
-
新框架增强跨模态图像翻译以改进重建
两篇新研究论文介绍了一种用于跨模态图像翻译的新型框架，该技术利用一种成像数据类型的信息来改进另一种成像数据的重建。第一个框架“生成式翻译先验”（GTP）将基于扩散的图像到图像翻译模型改编为病态成像问题的贝叶斯先验，并结合目标域测量以获得更准确的后验分布。第二个框架“图像翻译前学习目标先验”（LTP-BIT）提出了一种解耦的训练范式，该范式在进行跨模态对应微调之前，首先从非配对图像中学习目标域生成先验。这两种方法都证明了在重建保真度方面…
-
新框架将CNN信息力学与物理方程统一
本文介绍了一个统一的数学框架，用于模拟卷积神经网络（CNN）内部的信息传播，旨在弥合物理空间和信息空间之间的差距。它建立了CNN中离散滤波器对称性与相对论能量-动量关系之间的对应关系，其中对称分量充当静止能量，反对称分量充当动量。该框架展示了重复滤波如何导致高斯尺度空间和尺度不变特征，这些特征在结构上与热方程、薛定谔方程和弗里德曼方程相似，并在各种物理尺度上揭示了涌现的莫尔斯拓扑结构。
-
深度学习框架从常规扫描生成定量MRI图谱
研究人员开发了一种新颖的自监督、物理引导深度学习框架，能够从常规MRI扫描生成定量磁共振成像（qMRI）图谱。该方法通过直接从标准的T1加权、T2加权和FLAIR图像推断T1、T2和质子密度图谱，解决了传统qMRI需要专门协议和硬件的局限性。该框架在不同的临床数据、多个扫描仪系统和不同的采集协议中都表现出鲁棒性，对硬件差异具有不变性，并且定量参数的重现性极佳。
-
新方法提高跨医学影像站点的全心分割精度
研究人员开发了一种新的方法来改进医学影像中的全心分割，特别是在计算机断层扫描（CT）和磁共振成像（MRI）扫描中。该技术解决了跨不同数据采集站点和模态泛化分割模型的挑战，而这通常会导致性能下降。提出的流程结合了TotalSegmentator和nnU-Netv2模型，并采用了一种新颖的外观增强策略，该策略在保留标签的同时适应站点特定的特征。这种方法显著提高了CT分割的Dice分数，从0.8350提高到0.9135，并在MRI分割中也显…
-
新的PANDA框架通过不完整数据增强多模态医学预测
研究人员开发了PANDA，一个新颖的两阶段框架，旨在通过有效利用并非所有受试者都可用的辅助数据来增强多模态医学预测模型。该框架从配对数据中学习共享嵌入，并从辅助模态估计类别原型。然后，它在所有受试者上训练主要模型，将它们与这些固定的原型对齐，即使在推理时辅助数据完全缺失，也能实现有效的信息转移。PANDA已在利用MRI和表格数据进行阿尔茨海默病分类以及从病理切片进行肺癌生存期预测方面取得了改进。
-
新的深度学习方法加速MRI重建
研究人员开发了两种新颖的深度学习方法来加速磁共振成像（MRI）重建。第一种是FlowMoDL，一个展开式神经网络，它结合了学习到的去噪器和共轭梯度数据一致性，实现了高加速因子（10倍-50倍），并在准确性和效率方面优于现有方法。第二种是FLAT，它借鉴了流匹配范式，以提高展开式网络的稳定性和收敛性，并在多个MRI数据集上展示了增强的重建质量。
-
新的MRI超分辨率技术增强组织细节并减少数据需求
研究人员开发了改进脑部MRI扫描分辨率的新方法。一种方法AGW-PBR通过在训练期间结合组织混合熵加权来增强受部分容积效应影响的组织过渡区域。另一种方法SIMS-MRI使用隐式神经表示和学习到的视图间对齐，从各向异性多视图扫描创建各向同性重建，而无需预处理或大型数据集。这两种技术都旨在提高MRI超分辨率在临床应用中的细节和可靠性。
-
新的 3D CarveMix 增强技术改进了 MRI 中的卒中病灶分割
研究人员开发了一种名为 3D CarveMix 的新增强技术，以改进 T1 加权 MRI 扫描中缺血性卒中病灶的分割。该方法在训练期间将真实的病灶斑块动态地粘贴到健康的大脑区域，解决了样本稀缺问题，该问题阻碍了深度学习模型的发展，尤其是在急性病灶方面。该技术在一个包含 55 个临床中心的大型数据集上进行了评估，与基线模型相比，Dice 分数有了显著提高。
-
新AI框架增强MRI扫描脑肿瘤分割
研究人员开发了使用磁共振成像（MRI）进行3D脑肿瘤分割的新框架。第一个是MSM-Seg，它集成了多模态和层间信息以及类别无关的提示，以提高分割精度，在转移瘤和胶质瘤数据集上优于现有方法。第二个是多阶段动态提示nnU-Net，它使用提示条件扩展来调制编码器特征，增强了跨不同肿瘤特征和成像协议的泛化能力。与基线nnU-Net相比，后一个模型在BraTS GOAT验证数据集上显示出更高的Dice分数。
-
新的MRI分析框架识别神经肌肉疾病的生物标志物
研究人员开发了一个新的框架，用于分析肌肉MRI扫描，以更好地理解和诊断神经肌肉疾病（NMD）。该自动化系统使用深度放射组学表型分析，重点关注五个关键的结构域，包括定量形态测量学、空间分布、几何形状、脂肪替代阶段和基于图的拓扑结构。通过分析来自CoMPaSS-NMD项目的1184个MRI扫描，该框架生成了客观的生物标志物，能够捕捉复杂的肌内脂肪变性。拓扑网络指标和界面动力学指标显示出显著的区分能力，提供了比传统体积评估更深入的结构洞察，…