IEEETransactionsonMedicalImaging,vol.40,no.12
——核磁共振图像重建的生成密度预案的同位素梯度
摘要：最近，深度学习，特别是生成模型，已经显示出巨大的潜力，可以在减少测量的情况下大大加快图像重建的速度。与现有的生成模型通常优化密度先验不同，在这项工作中，通过利用去噪分数匹配，生成密度先验的同位梯度（HGGDP）被用于磁共振成像（MRI）重建。更确切地说，为了解决生成密度先验中的低维流形和低数据密度区域问题，我们在高维空间中估计目标梯度。在训练阶段，我们通过形成高维张量作为网络输入来训练一个更强大的噪声条件得分网络。更多的人工噪声也被注入到嵌入空间中。在重建阶段，采用同构方法来追求密度先验，以提高重建的性能。实验结果表明，HGGDP在高重构精度方面表现突出。只有10%的K空间数据仍能有效地生成高质量的图像，与完全采样数据的标准MRI重建一样。
——用人体尸体演示光声引导的腹腔镜和开腹子宫切除术程序
摘要：子宫切除术（即手术切除子宫）需要切断子宫的主要血液供应（即子宫动脉），同时保留附近的、经常重叠的输尿管。在本文中，我们研究了基于双波长和视听光声成像的方法，以可视化和区分输尿管与子宫动脉，并提供所需的实时信息，以避免子宫切除术中意外的输尿管损伤。在人类尸体上进行的腹腔镜和开腹子宫切除术中，实施了双波长/纳米光声成像，采用了定制的显示方法，旨在将输尿管和子宫动脉可视化。通过跟踪光声图像中的手术工具并将距离映射到听觉信号，计算并传达手术工具与输尿管的接近程度。在开腹子宫切除术中，双波长显示器显示输尿管和子宫动脉在三个分离距离（即4毫米、5毫米和6毫米）之间有高达10分贝的对比差异。在腹腔镜子宫切除术中，输尿管和子宫动脉在双波长图像中被观察到，对比度差异高达24dB。输尿管和手术工具之间的距离从2.47到7.31毫米不等。这些结果对于引入双波长光声成像来区分输尿管和子宫动脉、估计输尿管相对于手术工具尖端的位置、将基于光声的距离测量映射到听觉信号，并最终指导子宫切除手术以减少意外输尿管损伤的风险是很有希望的。
——利用深度学习对动态心脏PET进行自动帧间病人运动校正
摘要：在动态PET成像过程中，患者的运动会引起心肌血流（MBF）估计的错误。动态心脏PET的运动校正具有挑战性，因为82Rb的快速示踪剂动力学导致不同的动态帧之间的示踪剂分布随着时间的推移而发生实质性的变化，这可能给基于图像登记的运动校正带来困难，特别是对于早期的动态帧。在本文中，我们为动态心脏PET开发了一种基于深度学习的自动运动校正（DeepMC）方法。在这项研究中，我们专注于检测和纠正由身体自主运动和呼吸运动的模式变化引起的帧间刚性平移运动。我们开发了一个双向的三维LSTM网络，以充分利用4D动态图像数据中的局部和非局部时间信息进行运动检测。该网络通过模拟运动的无运动病人扫描进行训练和评估，以便获得运动的基本事实，其中基于65个病人扫描的万个样本被用于训练，基于20个病人扫描的个样本被用于评估。我们还使用另外10个具有真实运动的病人数据集对所提方法进行了评估。我们证明，与传统的基于注册的方法和其他卷积神经网络（CNN）相比，拟议的DeepMC在运动估计和MBF量化准确性方面获得了卓越的性能。一旦经过训练，DeepMC比基于配准的方法快得多，可以很容易地整合到临床工作流程中。在未来的工作中，需要进行更多的调查，以评估这种方法在具有现实病人运动的临床环境中的作用。
——通过自动分化的射频和梯度波形联合设计，用于核磁共振中的三维定制激励
摘要：本文提出了一种在磁共振成像（MRI）中联合设计射频（RF）和梯度波形的新方法，并将其应用于三维空间定制饱和和反转脉冲的设计。两种波形的联合设计的特点是ODEBloch方程，它没有已知的直接解决方案。因此，现有的方法通常依赖于基于小尖点近似或将梯度波形约束为特定形状的简化问题公式，并且往往只适用于狭窄的设计目标集的特定目标函数（例如，忽略硬件约束）。本文开发并利用了一个自动差分的Bloch模拟器，直接计算（Bloch模拟的）激励模式相对于射频和梯度波形的雅各布。这种方法与任意的次微分损失函数兼容，并直接优化射频和梯度，而不限制波形形状。为了提高计算效率，我们推导并实现了明确的Bloch模拟器雅各布（大约将计算时间和内存用量减半）。为了强制执行硬件限制（峰值射频、梯度和回转率），我们使用变量变化，使三维脉冲设计问题有效地不受约束；然后我们直接使用提议的自动差异化框架优化所产生的问题。我们用两种用传统方法不容易设计的三维激励脉冲来证明我们的方法。外卷饱和（90°翻转角）和内卷反转。
——DSI-Net:用于内窥镜图像联合分类和分割的深度协同互动网络
摘要：无线胶囊内窥镜（WCE）图像的自动分类和分割是胃肠道疾病计算机辅助诊断系统中两项具有临床意义的相关任务。然而，现有的大多数方法都是单独考虑这两项任务，忽略了它们的互补信息，导致性能有限。为了克服这一瓶颈，我们提出了一个用于WCE图像联合分类和分割的深度协同交互网络（DSI-Net），它主要由分类分支（C-Branch）、粗分割（CS-Branch）和细分割分支（FS-Branch）组成。为了利用分割知识促进分类任务，在C分支中设计了一个病变位置挖掘（LLM）模块，通过挖掘被忽略的病变区域和擦除被错误分类的背景区域，准确地突出病变区域。为了协助分类先验的分割任务，我们在FS-Branch中提出了一个类别引导的特征生成（CFG）模块，通过利用C-Branch的类别原型获得类别感知的特征来改善像素表示。通过这种方式，这些模块能够在这两个任务之间进行深度协同互动。此外，我们引入了一个任务交互损失，以加强分类和分割任务之间的相互监督，并保证它们预测的一致性。依靠所提出的深度协同互动机制，与最先进的方法相比，DSI-Net在公共数据集上实现了卓越的分类和分割性能。源代码可在