自我监督的学习表现出了巨大的希望，因为它可以在没有完全采样的数据的情况下训练深度学习MRI重建方法。当前用于物理学指导的重建网络的自我监督的学习方法分裂获得了两个不相交的数据，其中一种用于独立网络中的数据一致性（DC），另一个用于定义培训损失。在这项研究中，我们提出了一种改进的自我监督学习策略，该策略更有效地使用获得的数据来训练物理学指导的重建网络，而无需数据完全采样的数据。提出的通过数据下采样（SSDU）对所提出的多掩码自我监督的学习（SSDU）应用于获得的测量结果，将其分为每个训练样本的多对不相交集，而使用这些对DC单位和DC单位和其中一对，其他用于定义损失的，从而更有效地使用了不足采样的数据。多面罩SSDU应用于完全采样的3D膝盖上，并前瞻性地采样3D脑MRI数据集，用于各种加速度和图案，并与CG-Sense和单膜ssdu dl-MRI以及受监督的DL-MRI以及当时的DL-MRI进行比较。提供了完全采样的数据。膝盖MRI的结果表明，提出的多面罩SSDU胜过SSDU，并与受监督的DL-MRI紧密相关。一项临床读者的研究进一步将多面罩SSDU在SNR和混叠伪影方面高于监督的DL-MRI。大脑MRI的结果表明，与SSDU相比，多面罩SSDU可以达到更好的重建质量。读者的研究表明，与单罩SSDU相比，r = 8时的多面膜SSDU显着改善了重建，r = 8，以及r = 2时的CG-Sense。
translated by 谷歌翻译
如何将新兴和全面的技术（例如AI）整合到我们社会的结构和运营中是当代政治，科学和公众辩论的问题。它从不同学科中产生了大量的国际学术文献。本文分析了有关人工智能调节（AI）的学术辩论。该系统审查包括在2016年1月1日至2020年12月31日之间发表的73份同行评审期刊文章样本。分析集中于社会风险和危害，监管责任问题以及可能基于风险的政策框架在内和基于原则的方法。主要利益是拟议的监管方法和工具。提出了各种形式的干预措施，例如禁令，批准，标准设定和披露。对所包括论文的评估表明该领域的复杂性，这表明其早产和剩余的缺乏清晰度。通过对学术辩论进行结构性分析，我们在经验和概念上均可更好地理解AI和监管的联系以及基本规范性决策。科学建议与拟议的欧洲AI调节的比较说明了调节的特定方法，其优势和缺点。
translated by 谷歌翻译