磁共振大脑图像中的运动伪影是一个关键问题。在进行临床诊断之前，对MR图像质量的评估是基本的。如果运动伪像改变了对大脑，病变，肿瘤等结构和子结构的正确描述，则需要重新扫描患者。否则，神经放射学家可能会报告不准确或不正确的诊断。扫描患者后的第一步是“ \ textit {图像质量评估}”，以确定获得的图像是否可以诊断出来。这里已经提出了基于残留神经网络的结构相似性指数（SSIM）回归的自动图像质量评估，并可能通过用SSIM范围对不同组进行分类。在没有参考地面真实图像的情况下，该方法预测输入图像的SSIM值。这些网络能够检测运动工件，并且通过RESNET-18和对比度增强，回归和分类任务的最佳性能始终是实现的。残差分布的平均值和标准偏差分别为$ \ mu = -0.0009 $和$ \ sigma = 0.0139 $。在3、5和10类中的分类任务中，最佳精度分别为97、95和89 \％。获得的结果表明，所提出的方法可以是支持神经放射学家和射线照相仪在诊断前评估图像质量的工具。

图像质量评估（IQA）算法旨在再现人类对图像质量的看法。图像增强，生成和恢复模型的日益普及促使开发了许多方法来评估其性能。但是，大多数IQA解决方案旨在预测通用域中的图像质量，并适用于特定区域，例如医学成像，保持可疑。此外，对于特定任务的这些IQA指标的选择通常涉及故意引起的扭曲，例如手动添加噪声或人工模糊。然而，随后选择的指标被用来判断现实生活中计算机视觉模型的输出。在这项工作中，我们渴望通过对迄今为止的磁共振成像（MRI）进行最广泛的IQA评估研究来填补这些空白（14,700个主观得分）。我们使用经过培训的神经网络模型的输出，以解决与MRI相关的问题，包括扫描加速度，运动校正和DENOSISING中的图像重建。我们的重点是反映放射科医生对重建图像的看法，评估了MRI扫描质量的最具诊断性影响的标准：信噪比，对比度与噪声比率和人工制品的存在。七位训练有素的放射科医生评估了这些扭曲的图像，其判决随后与35个不同的图像质量指标（考虑到全参考，无参考和基于分布的指标）相关。对于所有被认为是解剖学和目标任务的三个拟议质量标准，发现最高的表现者 - DIST，HAARPSI，VSI和FID-VGG16 - 在三个提出的质量标准中都是有效的。

在本文中，我们开发了一种高效的回顾性深度学习方法，称为堆叠U-网，具有自助前沿，解决MRI中刚性运动伪影的问题。拟议的工作利用损坏的图像本身使用额外的知识前瞻，而无需额外的对比度数据。所提出的网络通过共享来自相同失真对象的连续片的辅助信息来学习错过的结构细节。我们进一步设计了一种堆叠的U-网的细化，便于保持图像空间细节，从而提高了像素到像素依赖性。为了执行网络培训，MRI运动伪像的模拟是不可避免的。我们使用各种类型的图像前瞻呈现了一个密集的分析：来自同一主题的其他图像对比的提出的自助前锋和前锋。实验分析证明了自助前锋的有效性和可行性，因为它不需要任何进一步的数据扫描。

大型医学成像数据集变得越来越多。这些数据集中的一个普遍挑战是确保每个样本满足没有重要人工制品的最低质量要求。尽管已经开发出广泛的现有自动方法来识别医学成像中的缺陷和人工制品，但它们主要依赖于渴望数据的方法。特别是，缺乏可用于培训的手工艺品的足够扫描，在临床研究中设计和部署机器学习方面造成了障碍。为了解决这个问题，我们提出了一个具有四个主要组成部分的新颖框架：（1）一组受磁共振物理启发的手工艺发电机，以损坏大脑MRI扫描和增强培训数据集，（2）一组抽象和工程的功能，紧凑地表示图像，（3）一个特征选择过程，取决于人工制品的类别以提高分类性能，以及（4）一组受过训练以识别人工制品的支持向量机（SVM）分类器。我们的新颖贡献是三重的：首先，我们使用新型的基于物理的人工制品发生器来生成以受控的人工制品作为数据增强技术的合成脑MRI扫描。这将避免使用稀有人工制品的劳动密集型收集和标记过程。其次，我们提出了开发的大量抽象和工程图像特征，以识别9种不同的结构MRI伪像。最后，我们使用一个基于人工制品的功能选择块，该块，对于每类的人工制品，可以找到提供最佳分类性能的功能集。我们对具有人工生成的人工制品的大量数据扫描进行了验证实验，并且在一项多发性硬化症临床试验中，专家确定了真实的人工制品，这表明拟议管道表现优于传统方法。

加速的MRI从稀疏采样的信号数据中重建了临床解剖学的图像，以减少患者扫描时间。尽管最近的作品利用了深入的学习来完成这项任务，但这种方法通常只在没有信号损坏或资源限制的模拟环境中进行了探索。在这项工作中，我们探索了神经网络MRI图像重建器的增强，以增强其临床相关性。也就是说，我们提出了一个用于检测图像源的Convnet模型，该模型可以实现分类器$ f_2 $得分为$ 79.1 \％$ $。我们还证明，具有可变加速度因子的MR信号数据的培训重建器可以在临床患者扫描期间提高其平均性能，最高$ 2 \％$。当模型学会重建多个解剖和方向的MR图像时，我们提供损失功能来克服灾难性的遗忘。最后，我们提出了一种使用模拟幻影数据在临床获取数据集和计算功能有限的情况下使用模拟幻影数据预先培训重建器的方法。我们的结果为加速MRI的临床适应提供了潜在的途径。

每年都会在医院中获得数百万个大脑MRI扫描，这比任何研究数据集的规模都要大得多。因此，分析此类扫描的能力可以改变神经成像研究。然而，由于没有自动化算法可以应对临床采集的高度可变性（MR对比度，分辨率，方向等），因此它们的潜力仍未开发。在这里，我们提出了Synthseg+，这是一个AI分割套件，首次可以对异质临床数据集进行强有力的分析。具体而言，除了全脑分割外，SynthSeg+还执行皮质细胞，颅内体积估计和自动检测故障分割（主要是由质量非常低的扫描引起的）。我们在七个实验中证明了合成++，包括对14,000张扫描的老化研究，在该研究中，它准确地复制了在质量更高的数据上观察到的萎缩模式。 Synthseg+公开发布是一种现成的工具，可在广泛设置中解锁定量形态计量学的潜力。

基于深度学习的脑磁共振成像（MRI）重建方法有可能加速MRI采集过程。尽管如此，科学界缺乏适当的基准，以评估高分辨率大脑图像的MRI重建质量，并评估这些所提出的算法在存在小而且预期的数据分布班次存在下的表现。多线圈磁共振图像（MC-MRI）重建挑战提供了一种基准，其目的在于使用高分辨率，三维，T1加权MRI扫描的大型数据集。挑战有两个主要目标：1）比较该数据集和2）上的不同的MRI重建模型，并评估这些模型的概括性，以通过不同数量的接收器线圈获取的数据。在本文中，我们描述了挑战实验设计，并总结了一系列基线和艺术脑MRI重建模型的结果。我们提供有关目前MRI重建最先进的相关比较信息，并突出挑战在更广泛的临床采用之前获得所需的普遍模型。 MC-MRI基准数据，评估代码和当前挑战排行榜可公开可用。它们为脑MRI重建领域的未来发展提供了客观性能评估。

在临床实践中，MR图像通常首先在扫描后长期看到辐射药剂。如果图像质量不充分，则患者必须返回额外的扫描，或者呈现次优解释。自动图像质量评估（IQA）将实现实时修复。对于MRI的现有IQA工作仅提供一般的质量得分，不可知论是对低质量扫描的原因和解决方案。此外，放射科医师的图像质量要求随扫描类型和诊断任务而异。因此，相同的分数可能对不同的扫描具有不同的影响。我们提出了一个训练训练的多任务CNN模型的框架，并用校准标签推断出来。由人类投入校准的标签遵循明确明确和高效的标签任务。图像统治者解决了不同的质量标准，并提供了一种从CNN中解释原始分数的具体方法。该模型支持对MRI中两个最常见的工件的评估：噪音和运动。它达到了约90％的准确度，比以前的最佳方法更好地达到6％，比噪声评估的人类专家更好3％。我们的实验表明，标签校准，图像统治者和多任务培训提高了模型的性能和概括性。

扩散加权图像（DWIS）中的噪声降低了扩散张量磁共振成像（DTI）导出的微结构参数的准确性和精度，并导致延长的采集时间来实现改进的信噪比（SNR）。基于深度学习的图像去噪使用卷积神经网络（CNNS）具有卓越的性能，但通常需要额外的高SNR数据来监督CNN的培训，这降低了实际可行性。我们开发了一个自我监督的深度学习的方法，标题为“SDNDTI”，用于去噪DTI数据，这不需要额外的高SNR数据进行培训。具体地，SDNDTI将多向DTI数据划分为许多子集，每个子​​集中沿着沿着最佳选择的扩散编码方向组成的六个DWI卷，该编码方向是对张力配件的稳健，然后沿着拟合的扩散张量沿所有获取的方向合成DWI体积使用数据的每个子集作为CNN的输入数据。另一方面，SDNDTI沿着使用所有获取的数据作为训练目标的扩散张量，沿着获取的扩散编码方向合成DWI卷。 SDNDTI使用深3维CNN从合成的DWI卷中的每个子集中消除噪声，以匹配清洁器目标DWI卷的质量，通过平均所有去噪数据的所有子集实现更高的SNR。 SDNDTI的去噪功效在于人类连接项目（HCP）提供的两种数据集和衰老中的寿命HCP。 SDNDTI结果保留了图像清晰度和纹理细节，并大大改善了原始数据的影响。 SDNDTI的结果与来自最先进的传统去噪算法包括BM4D，AONLM和MPPCA的常规去噪算法的结果相当。

Delineation of the left ventricular cavity, myocardium and right ventricle from cardiac magnetic resonance images (multi-slice 2D cine MRI) is a common clinical task to establish diagnosis. The automation of the corresponding tasks has thus been the subject of intense research over the past decades. In this paper, we introduce the "Automatic Cardiac Diagnosis Challenge" dataset (ACDC), the largest publicly-available and fully-annotated dataset for the purpose of Cardiac MRI (CMR) assessment. The dataset contains data from 150 multi-equipments CMRI recordings with reference measurements and classification O. Bernard and F. Cervenansky are with the

胎儿超声（US）中胎盘的自动分割由于（i）（i）胎盘外观的高度多样性而具有挑战性我们禁止在妊娠晚期进行整个胎盘评估的观点。在这项工作中，我们通过多任务学习方法解决了这三个挑战，该方法结合了单个卷积神经网络中胎盘位置（例如，前，后部）和语义胎盘分段的分类。通过分类任务，模型可以从更大，更多样化的数据集中学习，同时在有限的训练集条件下提高分割任务的准确性。通过这种方法，我们研究了多个评估者的注释的变异性，并表明我们的自动分割（前胎盘的骰子为0.86，后胎盘的骰子为0.83），与观察者内和观察者间的变异性相比，我们的自动段性能达到了人级的性能。最后，我们的方法可以使用由三个阶段组成的多视图US采集管道提供整个胎盘分割：多探针图像采集，图像融合和图像分段。这会导致对较大结构（例如胎盘中的胎盘）的高质量分割，其图像伪像降低，这超出了单个探针的视野。

Many clinical and research studies of the human brain require an accurate structural MRI segmentation. While traditional atlas-based methods can be applied to volumes from any acquisition site, recent deep learning algorithms ensure very high accuracy only when tested on data from the same sites exploited in training (i.e., internal data). The performance degradation experienced on external data (i.e., unseen volumes from unseen sites) is due to the inter-site variabilities in intensity distributions induced by different MR scanner models, acquisition parameters, and unique artefacts. To mitigate this site-dependency, often referred to as the scanner effect, we propose LOD-Brain, a 3D convolutional neural network with progressive levels-of-detail (LOD) able to segment brain data from any site. Coarser network levels are responsible to learn a robust anatomical prior useful for identifying brain structures and their locations, while finer levels refine the model to handle site-specific intensity distributions and anatomical variations. We ensure robustness across sites by training the model on an unprecedented rich dataset aggregating data from open repositories: almost 27,000 T1w volumes from around 160 acquisition sites, at 1.5 - 3T, from a population spanning from 8 to 90 years old. Extensive tests demonstrate that LOD-Brain produces state-of-the-art results, with no significant difference in performance between internal and external sites, and robust to challenging anatomical variations. Its portability opens the way for large scale application across different healthcare institutions, patient populations, and imaging technology manufacturers. Code, model, and demo are available at the project website.

在过去的几年中，在深度学习中，在深度学习中广泛研究了域的概括问题，但对对比增强成像的关注受到了有限的关注。但是，临床中心之间的对比度成像方案存在明显差异，尤其是在对比度注入和图像采集之间，而与可用的非对抗成像的可用数据集相比，访问多中心对比度增强图像数据受到限制。这需要新的工具来概括单个中心的深度学习模型，跨越新的看不见的域和临床中心，以对比增强成像。在本文中，我们介绍了深度学习技术的详尽评估，以实现对对比度增强图像分割的看不见的临床中心的普遍性。为此，研究，优化和系统评估了几种技术，包括数据增强，域混合，转移学习和域的适应性。为了证明域泛化对对比增强成像的潜力，评估了对对比增强心脏磁共振成像（MRI）中的心室分割的方法。结果是根据位于三个国家（法国，西班牙和中国）的四家医院中获得的多中心心脏对比增强的MRI数据集获得的。他们表明，数据增强和转移学习的组合可以导致单中心模型，这些模型可以很好地推广到训练过程中未包括的新临床中心。在对比增强成像中，具有合适的概括程序的单域神经网络可以达到甚至超过多中心多供应商模型的性能，从而消除了对综合多中心数据集的需求，以训练可概括的模型。

从磁共振成像（MRI）数据（称为颅骨条状）中去除非脑信号是许多神经图像分析流的组成部分。尽管它们很丰富，但通常是针对具有特定采集特性的图像量身定制的，即近乎各向异性的分辨率和T1加权（T1W）MRI对比度，这些分辨率在研究环境中很普遍。结果，现有的工具倾向于适应其他图像类型，例如在诊所常见的快速旋转回声（FSE）MRI中获得的厚切片。尽管近年来基于学习的大脑提取方法已获得吸引力，但这些方法面临着类似的负担，因为它们仅对训练过程中看到的图像类型有效。为了在成像协议的景观中实现强大的颅骨缠身，我们引入了Synthstrip，这是一种快速，基于学习的脑萃取工具。通过利用解剖学分割来生成具有解剖学，强度分布和远远超过现实医学图像范围的完全合成训练数据集，Synthstrip学会了成功推广到各种真实获得的大脑图像，从而消除了使用训练数据的需求目标对比。我们证明了合成条的功效对受试者人群的各种图像采集和决议的功效，从新生儿到成人。我们显示出与流行的颅骨基线的准确性的实质性提高 - 所有这些基线都采用单个训练有素的模型。我们的方法和标记的评估数据可在https://w3id.org/synthstrip上获得。

Pooling publicly-available MRI data from multiple sites allows to assemble extensive groups of subjects, increase statistical power, and promote data reuse with machine learning techniques. The harmonization of multicenter data is necessary to reduce the confounding effect associated with non-biological sources of variability in the data. However, when applied to the entire dataset before machine learning, the harmonization leads to data leakage, because information outside the training set may affect model building, and potentially falsely overestimate performance. We propose a 1) measurement of the efficacy of data harmonization; 2) harmonizer transformer, i.e., an implementation of the ComBat harmonization allowing its encapsulation among the preprocessing steps of a machine learning pipeline, avoiding data leakage. We tested these tools using brain T1-weighted MRI data from 1740 healthy subjects acquired at 36 sites. After harmonization, the site effect was removed or reduced, and we measured the data leakage effect in predicting individual age from MRI data, highlighting that introducing the harmonizer transformer into a machine learning pipeline allows for avoiding data leakage.

背景：基于学习的深度颈部淋巴结水平（HN_LNL）自动纤维与放射疗法研究和临床治疗计划具有很高的相关性，但在学术文献中仍被研究过。方法：使用35个规划CTS的专家划分的队列用于培训NNU-NEN 3D FULLES/2D-ENEBLEN模型，用于自动分片20不同的HN_LNL。验证是在独立的测试集（n = 20）中进行的。在一项完全盲目的评估中，3位临床专家在与专家创建的轮廓的正面比较中对深度学习自动分类的质量进行了评价。对于10个病例的亚组，将观察者内的变异性与深度学习自动分量性能进行了比较。研究了Autocontour与CT片平面方向的一致性对几何精度和专家评级的影响。结果：与专家创建的轮廓相比，对CT SLICE平面调整的深度学习分割的平均盲目专家评级明显好得多（81.0 vs. 79.6，p <0.001），但没有切片平面的深度学习段的评分明显差。专家创建的轮廓（77.2 vs. 79.6，p <0.001）。深度学习分割的几何准确性与观察者内变异性（平均骰子，0.78 vs. 0.77，p = 0.064）的几何准确性无关，并且在提高水平之间的准确性方面差异（p <0.001）。与CT切片平面方向一致性的临床意义未由几何精度指标（骰子，0.78 vs. 0.78 vs. 0.78，p = 0.572）结论：我们表明可以将NNU-NENE-NET 3D-FULLRES/2D-ENEMELBEND用于HN_LNL高度准确的自动限制仅使用有限的培训数据集，该数据集非常适合在研究环境中在HN_LNL的大规模标准化自动限制。几何准确度指标只是盲人专家评级的不完善的替代品。

最近关于其他方式的核化图像T1辅助MRI重建的研究表明，进一步加速MRI收购其他方式的潜力。大多数最先进的方法通过开发用于固定的欠采样模式的网络架构来实现改进，而不完全利用方式之间的互补信息。尽管可以简单地修改现有的下采样模式学习算法以允许完全采样的T1加权MR图像来辅助模式学习，但是可以实现重建任务的显着改进。为此，我们提出了一个迭代框架，优化了MRI获取的另一种方式的采样下采样模式，可以在不同的下抽样因子中补充完全采样的T1加权MR图像，同时共同优化T1辅助MRI重建模型。具体地，我们所提出的方法利用两种模式之间的潜在信息的差异来确定可以最大化T1加权MR图像的辅助功率在改善MRI重建时最大化的采样模式。与常用的下采样模式和最先进的方法相比，我们在公共数据集中展示了我们在公共数据集上的学习的下采样模式的卓越表现，可以联合优化重建网络和欠采样模式以8倍的取样因子。

确定大脑是否正常发展是儿科神经加理学和神经内科的关键组成部分。婴儿的脑磁共振成像（MRI）展示了超越髓鞘的特定发展模式。虽然放射科医师使用髓鞘模式，脑形态和尺寸特征来确定年龄充足的脑成熟度，但这需要多年的儿科神经皮层经验。没有标准化标准，在三岁之前的MRI中大脑结构成熟度的视觉估计仍然是观察者间和观察者内的差异。大脑发育年龄的更客观估计可以帮助医生们早先识别许多神经发育病症和疾病。然而，这种数据自然是难以获得的，并且观察者地面真理由于评估的主观性而不是黄金标准。在这种光明中，我们探讨了解决这项任务的一般可行性，以及不同方法的效用，包括在T1加权，T2加权的融合中培训的两维卷积神经网络（CNN）和三维卷积神经网络（CNN）质子密度（Pd）来自84个个体受试者的加权序列分为来自出生于3岁的4岁群体。以最佳性能的方法，在中央轴向厚板上使用2D CNN实现0.90 [95％CI：0.86-0.94]的精度。我们讨论了与3D网络的比较，并展示了如何对仅使用一个序列（T1W）的性能。总之，尽管3D CNN方法的理论优势，但在有限数据的情况下，这种方法差不多达到更简单的架构。代码可以在https://github.com/shabanian2018/age_mri-classification中找到

多发性硬化症（MS）是中枢神经系统的慢性炎症和退行性疾病，其特征在于，白色和灰质的外观与个体患者的神经症状和标志进行地平整相关。磁共振成像（MRI）提供了详细的体内结构信息，允许定量和分类MS病变，其批判性地通知疾病管理。传统上，MS病变在2D MRI切片上手动注释，一个流程效率低，易于观察室内误差。最近，已经提出了自动统计成像分析技术以基于MRI体素强度检测和分段段病变。然而，它们的有效性受到MRI数据采集技术的异质性和MS病变的外观的限制。通过直接从图像学习复杂的病变表现，深度学习技术已经在MS病变分割任务中取得了显着的突破。在这里，我们提供了全面审查最先进的自动统计和深度学习MS分段方法，并讨论当前和未来的临床应用。此外，我们审查了域适应等技术策略，以增强现实世界临床环境中的MS病变分段。

深度学习模型显示了它们对多种应用的潜力。但是，大多数模型由于其复杂的推理而难以信任，通常被称为黑盒问题。一些领域，例如医学，需要高度透明度来接受和采用此类技术。因此，需要在分类器上创建可解释/可解释的模型或应用事后方法以在深度学习模型中建立信任。此外，深度学习方法可用于分割任务，这些任务通常需要难以实现的，耗时的手动淘汰分段标签进行培训。本文介绍了三个固有的可解释的分类器，以解决这两个问题。网络提供的本地化热图（代表模型的焦点区域并用于分类决策）可以直接解释，而无需任何事后方法来推导信息以进行模型说明。模型是通过使用输入图像的训练，仅以监督的方式将分类标签作为地面真相进行培训 - 无需使用有关感兴趣区域位置的任何信息（即细分标签），从而使模型的细分训练变得薄弱。 - 通过分类标签进行监管。最终的分割是通过阈值这些热图获得的。这些模型用于使用两个不同数据集进行多级脑肿瘤分类的任务，从而使监督分类任务的最佳F1得分为0.93，同时确保了弱点诉讼的0.67 $ \ pm 0.08 $ \ pm 0.08 $ \ pm。细分任务。此外，仅在肿瘤图像子集上获得的准确性优于最先进的神经胶质瘤肿瘤分级分类器，其最佳模型达到了98.7 \％的精度。