「AI+磁共振成像」研究進入爆發期：沈定剛教授SCI論文33篇，影響最為突出

磁共振成像（Magnetic Resonance Imaging， MRI）是現今臨床醫學診斷的重要手段之一，但如何提高成像技術、應用場景等成為該領域近來的熱門研究問題。

隨著人工智慧及機器學習的發展，深度學習方法被應用於醫學影象處理中，同時也使磁共振成像在新的時代背景下有了新的發展動力。

近日，上海科技大學圖書資訊中心釋出了一篇題為《深度學習時代下的磁共振成像》的研究報告。

該報告檢索2013年至今近十年發表的SCI期刊論文作為分析物件，考察該領域的研究發展態勢和變化趨勢。

該報告根據磁共振成像及深度學習的語義特徵、相關的關鍵詞，設計了檢索式：主題=（“Magnetic Resonance Imag*” OR MRI） AND “deep learn*”，時間範圍為2013-2022年，同時限制文獻型別為Article。

報告的資料來源來自Web of Science資料庫中的SCI索引集、InCites資料庫。

其中，在Web of Science資料庫SCI索引集中，共檢索到2013-2022年間發表的該主題共計3254篇研究論文。

雷峰網對該報告的主要內容進行了如下梳理。

論文數量進入爆發增長期

深度學習時代下的磁共振成像領域在2013-2021間每年的SCI論文產出數量是逐年遞增的。

2013-2015年文章數量還處於零星增長階段，2016-2017年發文量增長明顯，但仍相對為低位，而從2018年起的近五年裡則呈現了爆發增長的趨勢，並且增長率越來越高。

2022年度，截至檢索日期（2022-06-27）共發文674篇。

圖1 深度學習時代下的磁共振成像領域的SCI論文產出趨勢

磁共振成像領域的主要科研論文產出機構集中在美國、中國、歐洲、韓國，該報告根據SCI一區論文佔比（%Q1）、ESI高被引論文佔比（%HCP）、標準化引文影響力（CNCI）、篇均被引、國際合作論文佔比（%國際合作）等幾項指標，將發表論文數量前50名的機構整理成表。

其中，帝國理工學院無論是高被引論文佔比、CNCI或是篇均被引，都是領域內最高水平。

此外，北卡羅來納大學教堂山分校、高麗大學、紐約大學、倫敦大學學院等也表現出了很高的水平。

表1 深度學習時代下的磁共振成像領域主要的SCI論文產出機構及影響力

報告中同樣按照以上幾項指標，將發表論文最多、最為突出的數十位科學家進行了彙總整理。

其中，

任職於上海科技大學/聯影智慧（原任職於北卡羅來納大學教堂山分校）的沈定剛教授貢獻最為突出，研究成果最多並且各指標均處於很高的水平。

美國埃默裡大學的Yang Xiaofeng副教授，Liu Tian副教授、Wang Tonghe助理教授、Lei Yang老師等都較大程度地貢獻了該領域的論文產出。

來自帝國理工學院的Rueckert， Daniel教授，在各影響力指標上都處於所分析物件中的最高數值。

而韓國科學技術院Ye， Jong Chul教授在影響力指標上也有非常明顯的優勢。

表2 深度學習時代下的磁共振成像領域主要的SCI論文產出機構及影響力

AI+磁共振成像的研究主題是什麼？

為了解該領域近年的研究中主要的主題分佈情況，該報告以上文中提及的資料來源為基礎，透過圖譜構建工具VOSviewer提取了論文的關鍵詞，並設定了出現頻次在10以上的關鍵詞集合透過Co-occurrence共現網路計算獲得了圖2。

報告嘗試從這張主題分佈圖中揭示出該領域研究主題的研究高地（出現頻次多的主題詞）分佈。

圖2 深度學習時代下的磁共振成像領域主題詞共現分佈圖

表3 深度學習時代下的磁共振成像領域各集合主題詞及其熱度指數

在該報告所引用的資料來源中，ESI資料庫提供了研究前沿（Research Fronts）資料，透過對最近5年內引用率最高的論文之間進行共被引聚類，識別由這些共被引論文聚類形成的集合，將這些集合定義了研究前沿RF。

ESI資料庫揭示了10000個左右的RF，每個RF包含數量不等的高被引論文。進入RF的論文，在一定程度上體現了科學家和研究機構對研究的創新性和對前沿的貢獻。

根據比對，以下39篇論文為該領域中的研究前沿論文：

AGGARWAL， H。 K。， MANI， M。 P。 & JACOB， M。 2019。 MoDL： Model-Based Deep Learning Architecture for Inverse Problems。 Ieee Transactions on Medical Imaging， 38， 394-405。

AHMADI， M。， SHARIFI， A。， FARD， M。 J。 & SOLEIMANI， N。 Detection of brain lesion location in MRI images using convolutional neural network and robust PCA。 International Journal of Neuroscience， 12。

AKCAKAYA， M。， MOELLER， S。， WEINGARTNER， S。 & UGURBIL， K。 2019。 Scan-specific robust artificial-neural-networks for k-space interpolation （RAKI） reconstruction： Database-free deep learning for fast imaging。 Magnetic Resonance in Medicine， 81， 439-453。

AVENDI， M。 R。， KHERADVAR， A。 & JAFARKHANI， H。 2016。 A combined deep-learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI。 Medical Image Analysis， 30， 108-119。

BERNARD， O。， LALANDE， A。， ZOTTI， C。， et al。 2018。 Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis： Is the Problem Solved？ Ieee Transactions on Medical Imaging， 37， 2514-2525。

BHATTACHARYA， S。， MADDIKUNTA， P。 K。 R。， PHAM， Q。 V。， et al。 2021。 Deep learning and medical image processing for coronavirus （COVID-19） pandemic： A survey。 Sustainable Cities and Society， 65， 18。

CHEN， K。 T。， GONG， E。 H。， MACRUZ， F。 B。 D。， et al。 2019。 Ultra-Low-Dose F-18-Florbetaben Amyloid PET Imaging Using Deep Learning with Multi-Contrast MRI Inputs。 Radiology， 290， 649-656。

CHEN， P。 J。， LIN， M。 C。， LAI， M。 J。， LIN， J。 C。， LU， H。 H。 S。 & TSENG， V。 S。 2018。 Accurate Classification of Diminutive Colorectal Polyps Using Computer-Aided Analysis。 Gastroenterology， 154， 568-575。

COLE， J。 H。， POUDEL， R。 P。 K。， TSAGKRASOULIS， D。， et al。 2017。 Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker。 Neuroimage， 163， 115-124。

DE VOS， B。 D。， BERENDSEN， F。 F。， VIERGEVER， M。 A。， SOKOOTI， H。， STARING， M。 & ISGUM， I。 2019。 A deep learning framework for unsupervised affine and deformable image registration。 Medical Image Analysis， 52， 128-143。

DENG， Y。， REN， Z。 Q。， KONG， Y。 Y。， BAO， F。 & DAI， Q。 H。 2017。 A Hierarchical Fused Fuzzy Deep Neural Network for Data Classification。 Ieee Transactions on Fuzzy Systems， 25， 1006-1012。

GIBSON， E。， LI， W。 Q。， SUDRE， C。， et al。 2018。 NiftyNet： a deep-learning platform for medical imaging。 Computer Methods and Programs in Biomedicine， 158， 113-122。

HAMM， C。 A。， WANG， C。 J。， SAVIC， L。 J。， et al。 2019。 Deep learning for liver tumor diagnosis part I： development of a convolutional neural network classifier for multi-phasic MRI。 European Radiology， 29， 3338-3347。

HAMMERNIK， K。， KLATZER， T。， KOBLER， E。， et al。 2018。 Learning a variational network for reconstruction of accelerated MRI data。 Magnetic Resonance in Medicine， 79， 3055-3071。

HAN， X。 2017。 MR-based synthetic CT generation using a deep convolutional neural network method。 Medical Physics， 44， 1408-1419。

HAN， Y。， SUNWOO， L。 & YE， J。 C。 2020。 k-Space Deep Learning for Accelerated MRI。 Ieee Transactions on Medical Imaging， 39， 377-386。

HAN， Y。， YOO， J。， KIM， H。 H。， SHIN， H。 J。， SUNG， K。 & YE， J。 C。 2018。 Deep learning with domain adaptation for accelerated projection-reconstruction MR。 Magnetic Resonance in Medicine， 80， 1189-1205。

HAZLETT， H。 C。， GU， H。 B。， MUNSELL， B。 C。， et al。 2017。 Early brain development in infants at high risk for autism spectrum disorder。 Nature， 542， 348-+。

KAMNITSAS， K。， LEDIG， C。， NEWCOMBE， V。 F。 J。， et al。 2017。 Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation。 Medical Image Analysis， 36， 61-78。

KNOLL， F。， HAMMERNIK， K。， KOBLER， E。， et al。 2019。 Assessment of the generalization of learned image reconstruction and the potential for transfer learning。 Magnetic Resonance in Medicine， 81， 116-128。

LEYNES， A。 P。， YANG， J。， WIESINGER， F。， et al。 2018。 Zero-Echo-Time and Dixon Deep Pseudo-CT （ZeDD CT）： Direct Generation of Pseudo-CT Images for Pelvic PET/MRI Attenuation Correction Using Deep Convolutional Neural Networks with Multiparametric MRI。 Journal of Nuclear Medicine， 59， 852-858。

LIU， F。， ZHOU， Z。 Y。， JANG， H。， SAMSONOV， A。， et al。 2018。 Deep convolutional neural network and 3D deformable approach for tissue segmentation in musculoskeletal magnetic resonance imaging。 Magnetic Resonance in Medicine， 79， 2379-2391。

MARDANI， M。， GONG， E。 H。， CHENG， J。 Y。， et al。 2019。 Deep Generative Adversarial Neural Networks for Compressive Sensing MRI。 Ieee Transactions on Medical Imaging， 38， 167-179。

MUHAMMAD， K。， KHAN， S。， DEL SER， J。 & DE ALBUQUERQUE， V。 H。 C。 2021。 Deep Learning for Multigrade Brain Tumor Classification in Smart Healthcare Systems： A Prospective Survey。 Ieee Transactions on Neural Networks and Learning Systems， 32， 507-522。

NAIR， T。， PRECUP， D。， ARNOLD， D。 L。 & ARBEL， T。 2020。 Exploring uncertainty measures in deep networks for Multiple sclerosis lesion detection and segmentation。 Medical Image Analysis， 59， 10。

NIE， D。， TRULLO， R。， LIAN， J。， WANG， L。， et al。 2018。 Medical Image Synthesis with Deep Convolutional Adversarial Networks。 Ieee Transactions on Biomedical Engineering， 65， 2720-2730。

ORTIZ， A。， MUNILLA， J。， GORRIZ， J。 M。 & RAMIREZ， J。 2016。 Ensembles of Deep Learning Architectures for the Early Diagnosis of the Alzheimer‘s Disease。 International Journal of Neural Systems， 26， 23。

PEREIRA， S。， PINTO， A。， ALVES， V。 & SILVA， C。 A。 2016。 Brain Tumor Segmentation Using Convolutional Neural Networks in MRI Images。 Ieee Transactions on Medical Imaging， 35， 1240-1251。

QIN， C。， SCHLEMPER， J。， CABALLERO， J。， et al。 2019。 Convolutional Recurrent Neural Networks for Dynamic MR Image Reconstruction。 Ieee Transactions on Medical Imaging， 38， 280-290。

QUAN， T。 M。， NGUYEN-DUC， T。 & JEONG， W。 K。 2018。 Compressed Sensing MRI Reconstruction Using a Generative Adversarial Network With a Cyclic Loss。 Ieee Transactions on Medical Imaging， 37， 1488-1497。

REHMAN， A。， NAZ， S。， RAZZAK， M。 I。， AKRAM， F。 & IMRAN， M。 2020。 A Deep Learning-Based Framework for Automatic Brain Tumors Classification Using Transfer Learning。 Circuits Systems and Signal Processing， 39， 757-775。

SAJJAD， M。， KHAN， S。， MUHAMMAD， K。， et al。 2019。 Multi-grade brain tumor classification using deep CNN with extensive data augmentation。 Journal of Computational Science， 30， 174-182。

SCHLEMPER， J。， CABALLERO， J。， HAJNAL， J。 V。， PRICE， A。 N。 & RUECKERT， D。 2018。 A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction。 Ieee Transactions on Medical Imaging， 37， 491-503。

SHARIF， M。 I。， LI， J。 P。， KHAN， M。 A。 & SALEEM， M。 A。 2020。 Active deep neural network features selection for segmentation and recognition of brain tumors using MRI images。 Pattern Recognition Letters， 129， 181-189。

SHI， J。， ZHENG， X。， LI， Y。， ZHANG， Q。 & YING， S。 H。 2018。 Multimodal Neuroimaging Feature Learning With Multimodal Stacked Deep Polynomial Networks for Diagnosis of Alzheimer’s Disease。 Ieee Journal of Biomedical and Health Informatics， 22， 173-183。

TAO， Q。， YAN， W。 J。， WANG， Y。 Y。， PAIMAN， et al。 2019。 Deep Learning-based Method for Fully Automatic Quantification of Left Ventricle Function from Cine MR Images： A Multivendor， Multicenter Study。 Radiology， 290， 81-88。

WACHINGER， C。， REUTER， M。 & KLEIN， T。 2018。 DeepNAT： Deep convolutional neural network for segmenting neuroanatomy。 Neuroimage， 170， 434-445。

WANG， B。， LEI， Y。， TIAN， S。 B。， WANG， T。 H。， et al。 2019。 Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation。 Medical Physics， 46， 1707-1718。

YANG， G。， YU， S。 M。， DONG， H。， SLABAUGH， G。， et al。 2018。 DAGAN： Deep De-Aliasing Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction。 Ieee Transactions on Medical Imaging， 37， 1310-1321。

此外，該報告還根據上述研究中獲得的主題詞分佈，透過分析工具DDA繪製了主題詞與研究機構的二維矩陣表（表4）。

該報告嘗試揭示出各機構的主要研究主題側重。表中數字代表該機構在該主題詞上的研究頻次。

Convolutional neural network是大部分研究機構論文中出現頻次最高的主題詞，其中

哈佛大學、帝國理工學院和電子科技大學三所學校的論文中出現該主題詞的頻次最高。