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%
- instance of David Holzer 70%
- used by Fastmri 70%
- developed Tau PET Imaging in the NACC Study Cohort 70%
- used by 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 70%
- instance of ultrasound 60%
- used by Structural Similarity Index Measure 60%
- used by polyethylene terephthalate 60%
- developed by David Holzer 50%
- 2026-05-19 research_milestone Publication of a research paper detailing a new browser-native GPU architecture for MRI digital twins. 来源
18 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.
-
新型视觉Transformer可合成对比增强脑部MRI
研究人员开发了AA-ViT，这是一种具有解剖结构感知能力的视觉Transformer，旨在从对比增强前图像合成对比增强脑部MRI扫描。该方法旨在通过克服标准MRI的局限性和造影剂的相关风险来改善肿瘤定位和诊断。AA-ViT利用结构和频率引导来保留解剖边界和病灶细节，在PSNR和SSIM等定量指标上优于现有方法。医疗专业人员进行的初步临床验证显示出有希望的结果，表明其在降低医疗成本和患者风险方面具有潜在应用。
-
新AI框架利用PET引导改进全身MRI转换
研究人员开发了一个名为异质性自适应扩散Schrodinger桥（HA-DSB）的新框架，以改进全身MRI转换。该方法通过整合来自视觉语言模型（VLM）的区域上下文嵌入，解决了跨不同解剖区域和病理组织的MRI扫描转换中的挑战。此外，它还通过双阶段引导机制整合了PET衍生的代谢信息，以提高病理组织转换的保真度。
-
新的AT-Attn框架通过多模态数据改进阿尔茨海默病诊断
研究人员开发了一个名为AT-Attn的新框架，用于改进阿尔茨海默病的诊断。这种时间感知多模态方法能够有效地整合结构性MRI数据和纵向临床信息，即使在MRI数据不一致或不可用时也能发挥作用。AT-Attn模型在一个包含1,520名患者的队列中表现出色，准确率达到0.719，ROC-AUC达到0.873，优于简单的融合方法。
-
生成式AI框架增强多模态神经影像分析
研究人员开发了一种新颖的多模态生成框架，用于分析结构和功能磁共振成像（MRI）数据。该框架系统地评估了各种编码策略、潜在多模态融合技术和生成模型选择。与其他的生成式变体相比，所提出的多模态图VAE（gMMVAE）架构在生成保真度、重建质量、效率和潜在空间可辨别性等指标上表现出优越性能。
-
WING生成网络在MRI/CBCT合成CT方面达到SOTA水平 · 跟踪3个来源
研究人员开发了WING，一种新颖的生成网络，用于跨模态CT合成。该模型将回归目标重新表述为多个窗口化表示，解决了直接CT强度回归的挑战。WING利用门控卷积生成器和融合-精炼Transformer来聚合窗口化输出并精炼细节，在MRI到CT和CBCT到CT的基准测试中取得了最先进的性能。
-
新的洛伦兹编码框架增强了MRI光谱重建
研究人员开发了一种新颖的、基于物理信息的洛伦兹编码（LE）框架，用于重建多池化学交换饱和转移（CEST）MRI中的高分辨率Z光谱。该方法通过将重建表述为使用隐式连续坐标学习的自监督任务，解决了CEST MRI中采集时间长的问题。LE通过将稀疏数据投影到由参数洛伦兹曲线决定的空间中来强制执行物理约束，其性能显著优于现有方法，并实现了准确的定量代谢物映射。
-
无标注AI可检测胎儿MRI扫描中的脑出血
研究人员开发了FreeHemoSeg，一个无标注的深度学习框架，用于检测和分割胎儿脑部MRI扫描中的生发基质-脑室内出血（GMH-IVH）。该方法通过利用从正常胎儿数据和医学先验知识合成的图像进行训练，从而绕过了专家标注的需要。在一项多中心研究中，FreeHemoSeg展示了高诊断和分割性能，优于监督模型，提高了放射科医生的敏感性和诊断信心，同时缩短了解读时间。
-
BrainNormalizer 使用扩散模型重建伪健康大脑MRI
研究人员开发了BrainNormalizer，一个新颖的基于扩散的框架，旨在从包含肿瘤的扫描中重建伪健康大脑MRI。该方法利用边缘引导的ControlNet学习解剖学先验和结构条件，从而能够在不需要配对的肿瘤前扫描的情况下进行解剖学信息的重建。通过在推理过程中采用故意的错位策略，BrainNormalizer重建了保留个体结构特征的主题特定健康大脑解剖结构，在BraTS2020数据集上的分布真实性和结构一致性方面优于现有方法。
-
新型AI模型从MRI合成Tau-PET图像用于阿尔茨海默病研究
研究人员开发了SFL-Net，一个旨在从多对比度MRI扫描合成Tau-PET图像的新型框架。该方法利用现成的MRI数据，解决了用于阿尔茨海默病分期的Tau-PET成像的规模化挑战。SFL-Net分解潜在表示并保留解剖细节，在各种保真度和重建指标上优于基线模型，同时还提供增强的可审计性。
-
新框架采用物理感知和统一方法增强MRI质量 · 已追踪4个来源
研究人员开发了两个新颖的框架来提高磁共振成像（MRI）的质量。PhyMRI-SR将MRI超分辨率视为一个物理感知的重建问题，改编了2D高斯溅射法，并融入了关于解剖结构和成像系统的先验知识。UniField则提供了一个统一的框架，用于多场强MRI增强，利用3D体积信息和场感知频谱校正机制来提高跨不同场强的泛化能力。这两种方法都旨在提高MRI的诊断可及性和研究能力。
-
新AI框架改进MRI扫描中脑微出血的检测
研究人员开发了CenSynCMB，一个旨在改进MRI扫描中脑微出血（CMBs）自动检测的新框架。该方法结合了3D Attention U-Net、辅助中心图监督以及正向CMBs和常见模拟物的物理引导合成。该框架在VALDO Task 2和外部AIBL SWI数据集上表现强劲，取得了高F1分数和召回率。CenSynCMB旨在促进从大型MRI队列中可扩展地提取CMB候选，为更可靠的负担估计铺平道路。
-
新的结构化SIR方法增强了图像配准中的不确定性量化
研究人员开发了一种名为结构化SIR的新方法，用于高维图像配准，特别是针对脑部MRI数据。该技术通过使用一种内存高效的方法，结合低秩协方差和稀疏、空间结构化的精度因子，来改进概率推理中不确定性的表征。与变分方法相比，结构化SIR方法产生了更好校准的不确定性估计，并生成了结构化的多模态后验分布，以实现有效的不确定性量化。
-
新AI框架将放射科医生语音转换为MRI肿瘤分割
研究人员开发了LoGSAM，一个用于脑部MRI扫描中脑肿瘤参数高效分割的新框架。该系统将放射科医生的口述转化为文本提示，以指导基础模型进行定位和分割。通过利用Whisper ASR、Grounding DINO和MedSAM等预训练模型，并进行最少的参数更新，LoGSAM在BRISC 2025数据集上取得了80.32%的Dice分数，接近完全微调模型的性能，同时使用的参数却少得多。该流程还展示了从德语口述中提取肿瘤特异性信息的高准确性。
-
新的扩散自编码器使用非配对 MRI 数据模拟阿尔茨海默病进展
研究人员开发了一种新颖的条件扩散自编码器框架，称为 AD-DAE，旨在利用非配对纵向 MRI 扫描来模拟阿尔茨海默病进展。该方法创建了一个紧凑的潜在空间，该空间捕获语义信息并允许生成后续图像，而无需特定于受试者的纵向数据。该框架分离了进展和受试者身份，从而实现了与疾病特征和阿尔茨海默病特定区域相关的潜在空间的受控转移。
-
新AI框架跨模态提升医学图像异常检测能力
研究人员开发了一种新颖的、无需训练的医学图像异常检测框架，该框架可应用于各种成像模态，而无需特定于模态的架构或重新训练。该方法在最近的一篇arXiv论文中有所详述，在特征提取后插入一个流形精炼阶段，以增强正常样本和异常样本之间的区分度。通过将嵌入引导至局部密集区域，该方法压缩正常数据，在进行高斯密度估计和基于马氏距离的评分之前有效地分离异常。该框架在MedIAnomaly基准的七个数据集和五种成像类型上进行了测试，表现出色，在四个数据…
-
AI代理利用大语言模型进行可解释的分子结构解析
研究人员开发了NMRAgent，这是一个旨在解析核磁共振（NMR）谱图以进行分子结构解析的AI系统。该代理利用大语言模型和专用工具来模仿人类专家的推理过程，规划解析流程，提出结构，并验证原子-峰一致性。与现有方法相比，NMRAgent在准确性和可解释性方面表现出改进，并在鉴定新型天然产物和纠正文献错误方面显示出实际应用价值。
-
新的BREIT框架通过三维EIT增强脑卒中重建
研究人员开发了BREIT，一个旨在利用多频电阻抗成像（MF-EIT）改进脑卒中重建的新框架。该框架通过提供数据生成、模拟和评估的标准化流程，解决了当前三维深度学习重建方法的局限性。BREIT包括一种将CT/MRI扫描转换为电特性分布的方法，一个用于模拟MF-EIT电压的基于Python的求解器，以及一个支持非均匀电极布局的实现。该框架被用于开发dFNO-bar，一个集成了傅里叶神经算子和D-bar方法的模型，与现有技术相比，在脑卒中成…
-
新框架对脑肿瘤分割中的不确定性进行建模
研究人员开发了一种使用多模态MRI数据进行脑肿瘤分割的新概率框架。该方法将表示建模为高斯分布，其中均值捕获任务信息，方差指示由于证据缺失引起的不确定性。该方法在BraTS 2018和BraTS 2020数据集上进行了测试，与现有方法相比，在不完整模态信息的情况下表现得到改善。
-
TRACE模型通过概念瓶颈提供可解释的胶质母细胞瘤反应评估
研究人员开发了TRACE，这是一种概念瓶颈模型，用于使用3D MRI扫描进行可解释的纵向胶质母细胞瘤反应评估。与直接预测标签的传统深度学习方法不同，TRACE利用临床上有意义的肿瘤测量作为根概念，并通过确定性规则推导出下游概念，与RANO 2.0标准保持一致。该模型处理配对的基线和随访扫描，并纳入扫描间隔和新病灶信息。在LUMIERE数据集上的交叉验证中，TRACE实现了0.4769的4类宏F1分数和0.7085的二元F1分数，其性能…
-
新的 MPFlow 框架使用多模态引导增强零样本 MRI 重建
研究人员开发了 MPFlow，一种用于零样本 MRI 重建的新型框架，该框架利用辅助 MRI 模态来提高解剖保真度并减少幻觉。该方法采用一种称为 Patch-level Multi-modal MR Image Pretraining (PAMRI) 的自监督预训练策略，以学习不同 MRI 采集之间的共享表示。通过数据一致性和跨模态特征对齐来指导采样过程，MPFlow 在 MRI 重建方面表现出更高的可靠性和效率，在图像质量方面优于扩…