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 brain tumor 90%
- used by Tau PET Imaging in the NACC Study Cohort 90%
- used by Radiotherapy 80%
- used by peak signal-to-noise ratio 70%
- used by Influence Flower 70%
- used by TotalSegmentator 70%
- used by Flair 70%
- used by Diffusion Models 70%
- used by nnU-Netv2 70%
- used by Oasis 3 70%
- used by Fastmri 70%
- instance of brain tumor 70%
- 2026-05-19 research_milestone Publication of a research paper detailing a new browser-native GPU architecture for MRI digital twins. 来源
12 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STRIDE框架增强了胶质母细胞瘤MRI疾病演变分析
研究人员开发了STRIDE，一个旨在改进纵向胶质母细胞瘤MRI扫描中疾病演变评估的新框架。该方法结合了使用SoftGate的病灶先验引导空间表征和自适应窗口分层Transformer (AWHT)，以及一个时间条件化潜在转移模型。STRIDE有效地结合了实际的扫描间隔和观察到的随访状态，以区分稳定疾病、假性进展和真实进展。在Burdenko数据集上评估，STRIDE取得了0.816的宏观ROC-AUC和0.796的宏观F1分数，有望实…
-
深度学习在纵向医学影像分析中展现潜力 · 跟踪 1 个来源
对 2018 年至 2025 年间发表的 102 篇研究进行的范围审查显示，深度学习是纵向医学影像分析的一个有前景的领域。审查发现，神经系统疾病是最常见的临床应用，其次是眼科疾病，其中 MRI 是主要的成像方式。虽然结合 CNN 和 LSTM/RNN 等时间模型的序列特征建模方法被频繁使用，但该研究强调需要更新的时间模型架构和更大的数据集来改善临床应用。
-
新的CIRSeg框架改进了MRI扫描中的肝脏分割
研究人员开发了CIRSeg，一种用于对比增强MRI扫描中肝脏分割的新颖框架。该方法解决了标注数据有限和不同扫描仪之间MRI强度变化等挑战。CIRSeg采用粗到精的架构，首先定位肝脏，然后细化其边界，并结合3D CutMix和直方图匹配等技术以实现强度鲁棒性。在推理时，它使用无源测试时自适应技术进一步提高在未见数据上的性能，在CARE 2026测试集上取得了高Dice分数和低HD95值。
-
新的 P3 审计框架评估医学人工智能模型的个性化程度
研究人员开发了一个名为患者、地点、既往史 (P$^3$) 的新审计框架，用于评估医学世界模型的个性化程度。该框架评估模型的预测是否真正受益于特定患者的纵向影像学历史、患者匹配的空间数据，以及预测价值是否超过了人口平均水平。该研究还引入了 Cancer JEPA，一个旨在预测未来医学影像状态的模型，并使用 P$^3$ 框架对其进行了审计。虽然使用患者特定数据时 Cancer JEPA 的预测误差有所改善，但 P$^3$ 审计表明其预测价…
-
新流程审计大规模神经影像数据中的身份重复
研究人员开发了HAPPEN，一个旨在审计大规模神经影像存储库中身份重复的流程。该系统使用SHA-256指纹识别精确重复项，并采用监督对比检索方法识别同一受试者的非相同扫描。HAPPEN部署在一个包含超过95,000次扫描的存储库上，成功识别出大量重复扫描和受试者组，其中很大一部分跨越了数据集边界。该流程还证明了其在无需重新训练模型的情况下，能够迁移到独立机构的应用。
-
SimCortex v2 深度学习框架从 MRI 重建大脑表面
研究人员开发了 SimCortex v2，一个用于从磁共振成像 (MRI) 数据重建皮层表面的深度学习框架。这种新方法同时重建左右白质和软脑膜表面，旨在减少自相交和碰撞等几何伪影。在多样化数据集上进行评估，SimCortex v2 在显著减少伪影的同时，展现出与现有方法相当的准确性，并且源代码和预训练权重已公开提供。
-
受果蝇连接组启发的FlyVision模型展现出强大的视觉性能
研究人员开发了ConnectomeX，一种受果蝇视觉连接组启发的、可训练的架构，旨在改进通用计算机视觉。该模型名为FlyVision，保留了并行ON/OFF处理和循环计算等生物处理元素。FlyVision在MNIST、CIFAR-10和ImageNet-1K等各种基准测试中表现出具有竞争力，且参数量通常远少于ResNet18等成熟模型。此外，FlyVision已被应用于生物医学成像任务，在皮肤病分类和从脑部MRI扫描预测年龄方面显示出潜力。
-
医疗AI领导者提出CARES框架，以连接数据并简化患者决策
医疗领域的AI领导者Prashanthi Nuthi提出了CARES框架，以解决患者面临的数据碎片化和经济毒性问题。Nuthi的个人经历，包括癌症诊断期间，由于临床和保险信息缺乏整合而导致压力重重的决策过程，促使她提出这一框架。CARES框架旨在连接分散的数据，预测患者的需求及其旅程中可能出现的障碍，并以智能、可操作的见解作出响应，以改善医疗体验。
-
新的MAX框架增强了加速MRI重建
研究人员开发了MAX（MAnifold eXpansion）框架，这是一个新颖的、特定于受试者的框架，旨在改进加速多对比度MRI重建。MAX通过保留解剖结构的强度增强来学习来自单个完全采样参考对比度的解剖表征，从而扩展了多对比度流形。该方法实现了卓越的性能，在R=8和R=6的加速因子下，大脑和膝盖MRI重建的PSNR优于基线超过1 dB。该框架对运动、结构异质性和噪声具有鲁棒性，为在加速MRI中利用参考扫描提供了一种通用策略。
-
推出新的数据集以支持人工智能驱动的颅内动脉瘤检测 · 跟踪1个来源
北美放射学会（RSNA）与多家其他医学协会合作，整理了RSNA颅内动脉瘤（RSNA-ICA）数据集。该大型公开数据集包含专家标注，由来自全球21家机构的4278名患者的7202个影像系列组成。它包括计算机断层扫描血管造影、磁共振血管造影和磁共振成像数据，重点在于检测和定位颅内动脉瘤。该数据集已用于2025年RSNA颅内动脉瘤检测挑战赛，并可用于非商业研究，以推进基于人工智能的动脉瘤检测。
-
新型MRFFU-Net架构提高了MRI分割精度
研究人员开发了一种名为多分辨率特征融合U-Net（MRFFU-Net）的新型深度学习架构，旨在改进磁共振成像（MRI）扫描的分割。这种新颖的架构将多分辨率特征融合模块集成到类似U-Net的模型中，增强了其捕捉细粒度细节和全局上下文信息的能力，这对于分割具有不规则边界和不同对比度的复杂解剖结构至关重要。MRFFU-Net在脑脊液分割的脊柱MRI扫描数据集和Medical Segmentation Decathlon的心房分割数据集上进行…
-
新的 MRI 超分辨率方法使用无配对数据进行高保真重建
研究人员开发了一种新颖的、解耦的多对比度超分辨率 (MCSR) 框架，用于 MRI，解决了当前深度学习方法的局限性。新方法将过程分为两个阶段：一个从群体数据中学习解剖先验的无配对跨模态合成模块，以及一个轻量级的、患者特定的隐式重表示模块。这种设计允许在没有配对训练数据的情况下以任意尺度进行高保真重建，即使在 16 倍和 32 倍等极端放大因子下也表现出卓越的性能和鲁棒性。
-
新的CASE框架增强了AI的纵向医学推理能力
研究人员开发了一个名为CASE（Clinical Agents for Seeking Evidence，临床证据搜寻代理）的新框架，旨在提高基础模型的纵向医学推理能力。该框架包括一个工具使用工具包和一个用于视觉语言模型的训练后方法。CASE在一个源自UK Biobank数据的新基准上进行了测试，该基准包含与患者诊断和MRI扫描相关的超过50,000个临床问题。实验表明，使用CASE的基于Qwen3-VL-8B的代理在答案准确性方面比…
-
GateSPINE框架增强腰椎MRI报告生成
研究人员开发了GateSPINE，一个新颖的视觉-语言框架，旨在改进腰椎MRI扫描的自动化报告生成。与之前使用固定规则组合成像平面（imaging planes）的方法不同，GateSPINE采用了一个门控跨视图融合模块。该模块根据不同成像视图（矢状T1、T2和轴向）的诊断相关性动态调整其贡献，从而使信息量更大的视图占据主导地位。在三个数据集上进行评估，GateSPINE展示了卓越的临床疗效，特别是在提高对遗漏异常的召回率方面，同时在…
-
AI不确定性量化评估，助力值得信赖的胶质瘤诊断
研究人员开发了一种面向任务的评估策略，用于评估用于胶质瘤诊断的AI系统中的不确定性量化（UQ）。该系统使用MRI数据。该研究聚焦于一个多任务深度学习框架，该框架可执行肿瘤分割并预测IDH突变状态、1p/19q联合缺失状态和肿瘤分级。研究评估了蒙特卡洛Dropout（MCD）、深度集成（DE）和蒙特卡洛深度集成（MCDE）等方法在不同诊断任务中检测错误、保持校准和提供可解释不确定性估计的能力。研究结果表明，虽然不确定性估计有助于错误检测…
-
新框架利用多模态学习增强自闭症识别
研究人员开发了UniAR，一个旨在改进自闭症谱系障碍（ASD）识别的新型框架。该系统利用大型多模态模型生成分层诊断描述，解决了临床文本数据稀缺的问题。UniAR 包含一个基于专家混合的多尺度对齐模块，用于匹配视觉数据与语义表示。在脑部 MRI 和面部表情数据集上的实验表明，UniAR 的性能优于现有方法，实现了高准确率，并证明了其在 ASD 筛查中的鲁棒性和可解释性。
-
开发者展示用于医学成像和API分析的AI工具
两位开发者正在展示他们构建的AI工具。一位创建了一个系统，该系统使用通用视觉模型来解释MRI和CT扫描结果，并提供发现的解释。另一位则在探索MCP和REST API之间的关系，认为它们在根本上是相似的。
-
AI医学扫描工具出现左右混淆错误，开发者已修复
一位开发者构建了一个使用Claude、Gemini和Grok等大型语言模型来解读医学扫描的工具，但发现了一个关键缺陷：模型经常混淆患者的左右两侧。这种错误在医学上被称为“绝不发生事件”，即使模型在图像坐标中正确识别了病灶位置，也会发生。问题源于在通用图像数据上训练的模型，这些数据描述的是视觉方向（屏幕的左侧）而不是解剖学方向（患者的右侧）。已实现一个无模型检查，利用NIfTI文件的世界空间坐标来捕获这些左右颠倒的错误。
-
新AI框架将MRI知识迁移至语音用于阿尔茨海默病筛查
研究人员开发了MINT（多模态成像到语音的知识迁移），一个专为早期阿尔茨海默病筛查设计的新颖框架。该系统将知识从结构性MRI扫描迁移到语音分析，能够在推理时无需成像即可准确分类轻度认知障碍（MCI）。MINT框架利用一个MRI“教师”模型创建一个紧凑的嵌入空间，然后语音分类器学习模仿该空间。在ADNI-4数据集上的初步测试表明，与该迁移知识对齐的语音分析，其性能与现有的仅语音方法相当，而多模态融合甚至超过了仅MRI的性能。
-
新AI框架利用舌部超声和MRI数据增强肌萎缩侧索硬化症诊断
研究人员开发了AlignUS，一个旨在利用舌部超声成像提高肌萎缩侧索硬化症（ALS）分类的新框架。该方法利用来自MRI扫描的知识蒸馏来增强基于超声的诊断性能，这在MRI不易获得的低资源环境中至关重要。AlignUS取得了高准确率指标，包括0.958的患者级别平衡准确率，展示了其使ALS评估更易于获得和更可靠的潜力。