磁共振成像（Magnetic Resonance Imaging, MRI）是現(xiàn)今臨床醫(yī)學(xué)診斷的重要手段之一，但如何提高成像技術(shù)、應(yīng)用場(chǎng)景等成為該領(lǐng)域近來(lái)的熱門研究問題。

隨著人工智能及機(jī)器學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)方法被應(yīng)用于醫(yī)學(xué)圖像處理中，同時(shí)也使磁共振成像在新的時(shí)代背景下有了新的發(fā)展動(dòng)力。

近日，上?？萍即髮W(xué)圖書信息中心發(fā)布了一篇題為《深度學(xué)習(xí)時(shí)代下的磁共振成像》的研究報(bào)告。

該報(bào)告檢索2013年至今近十年發(fā)表的SCI期刊論文作為分析對(duì)象，考察該領(lǐng)域的研究發(fā)展態(tài)勢(shì)和變化趨勢(shì)。

該報(bào)告根據(jù)磁共振成像及深度學(xué)習(xí)的語(yǔ)義特征、相關(guān)的關(guān)鍵詞，設(shè)計(jì)了檢索式：主題=("Magnetic Resonance Imag*" OR MRI) AND "deep learn*"，時(shí)間范圍為2013-2022年，同時(shí)限制文獻(xiàn)類型為Article。

報(bào)告的數(shù)據(jù)源來(lái)自Web of Science數(shù)據(jù)庫(kù)中的SCI索引集、InCites數(shù)據(jù)庫(kù)。

其中，在Web of Science數(shù)據(jù)庫(kù)SCI索引集中，共檢索到2013-2022年間發(fā)表的該主題共計(jì)3254篇研究論文。

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))對(duì)該報(bào)告的主要內(nèi)容進(jìn)行了如下梳理。

論文數(shù)量進(jìn)入爆發(fā)增長(zhǎng)期

深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域在2013-2021間每年的SCI論文產(chǎn)出數(shù)量是逐年遞增的。

2013-2015年文章數(shù)量還處于零星增長(zhǎng)階段，2016-2017年發(fā)文量增長(zhǎng)明顯，但仍相對(duì)為低位，而從2018年起的近五年里則呈現(xiàn)了爆發(fā)增長(zhǎng)的趨勢(shì)，并且增長(zhǎng)率越來(lái)越高。

2022年度，截至檢索日期（2022-06-27）共發(fā)文674篇。

圖1 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域的SCI論文產(chǎn)出趨勢(shì)

磁共振成像領(lǐng)域的主要科研論文產(chǎn)出機(jī)構(gòu)集中在美國(guó)、中國(guó)、歐洲、韓國(guó)，該報(bào)告根據(jù)SCI一區(qū)論文占比（%Q1）、ESI高被引論文占比（%HCP）、標(biāo)準(zhǔn)化引文影響力（CNCI）、篇均被引、國(guó)際合作論文占比（%國(guó)際合作）等幾項(xiàng)指標(biāo)，將發(fā)表論文數(shù)量前50名的機(jī)構(gòu)整理成表。

其中，帝國(guó)理工學(xué)院無(wú)論是高被引論文占比、CNCI或是篇均被引，都是領(lǐng)域內(nèi)最高水平。

此外，北卡羅來(lái)納大學(xué)教堂山分校、高麗大學(xué)、紐約大學(xué)、倫敦大學(xué)學(xué)院等也表現(xiàn)出了很高的水平。

表1 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域主要的SCI論文產(chǎn)出機(jī)構(gòu)及影響力

報(bào)告中同樣按照以上幾項(xiàng)指標(biāo)，將發(fā)表論文最多、最為突出的數(shù)十位科學(xué)家進(jìn)行了匯總整理。

其中，任職于上?？萍即髮W(xué)/聯(lián)影智能（原任職于北卡羅來(lái)納大學(xué)教堂山分校）的沈定剛教授貢獻(xiàn)最為突出，研究成果最多并且各指標(biāo)均處于很高的水平。

美國(guó)埃默里大學(xué)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(xiàn)了該領(lǐng)域的論文產(chǎn)出。

來(lái)自帝國(guó)理工學(xué)院的Rueckert, Daniel教授，在各影響力指標(biāo)上都處于所分析對(duì)象中的最高數(shù)值。

而韓國(guó)科學(xué)技術(shù)院Ye, Jong Chul教授在影響力指標(biāo)上也有非常明顯的優(yōu)勢(shì)。

表2 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域主要的SCI論文產(chǎn)出機(jī)構(gòu)及影響力

AI+磁共振成像的研究主題是什么？

為了解該領(lǐng)域近年的研究中主要的主題分布情況，該報(bào)告以上文中提及的數(shù)據(jù)源為基礎(chǔ)，通過圖譜構(gòu)建工具VOSviewer提取了論文的關(guān)鍵詞，并設(shè)置了出現(xiàn)頻次在10以上的關(guān)鍵詞集合通過Co-occurrence共現(xiàn)網(wǎng)絡(luò)計(jì)算獲得了圖2。

報(bào)告嘗試從這張主題分布圖中揭示出該領(lǐng)域研究主題的研究高地（出現(xiàn)頻次多的主題詞）分布。

圖2 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域主題詞共現(xiàn)分布圖

表3 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域各集合主題詞及其熱度指數(shù)

在該報(bào)告所引用的數(shù)據(jù)源中，ESI數(shù)據(jù)庫(kù)提供了研究前沿（Research Fronts）數(shù)據(jù)，通過對(duì)最近5年內(nèi)引用率最高的論文之間進(jìn)行共被引聚類，識(shí)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數(shù)據(jù)庫(kù)揭示了10000個(gè)左右的RF，每個(gè)RF包含數(shù)量不等的高被引論文。進(jìn)入RF的論文，在一定程度上體現(xiàn)了科學(xué)家和研究機(jī)構(gòu)對(duì)研究的創(chuàng)新性和對(duì)前沿的貢獻(xiàn)。

根據(jù)比對(duì)，以下39篇論文為該領(lǐng)域中的研究前沿論文：

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

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

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

17. 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.

18. 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-+.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. 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.

32. 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.

33. 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.

34. 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.

35. 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.

36. 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.

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

38. 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.

39. 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(bào)告還根據(jù)上述研究中獲得的主題詞分布，通過分析工具DDA繪制了主題詞與研究機(jī)構(gòu)的二維矩陣表（表4）。

該報(bào)告嘗試揭示出各機(jī)構(gòu)的主要研究主題側(cè)重。表中數(shù)字代表該機(jī)構(gòu)在該主題詞上的研究頻次。

Convolutional neural network是大部分研究機(jī)構(gòu)論文中出現(xiàn)頻次最高的主題詞，其中哈佛大學(xué)、帝國(guó)理工學(xué)院和電子科技大學(xué)三所學(xué)校的論文中出現(xiàn)該主題詞的頻次最高。

表4 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域主題詞與主要研究機(jī)構(gòu)矩陣

前列腺癌、自閉癥，哪些研究方向最熱門？

該報(bào)告利用圖譜分析工具CiteSpace對(duì)磁共振成像領(lǐng)域內(nèi)的論文及參考文獻(xiàn)集合進(jìn)行共現(xiàn)分析及聚類分析后，獲得了該領(lǐng)域主要的熱點(diǎn)子領(lǐng)域（方向）（圖3）?？梢钥闯?，領(lǐng)域內(nèi)研究集中度較高的11個(gè)聚類方向如下所示：

Cluster 1 #0 prostate cancer前列腺癌

Cluster 2 #1 autism spectrum disorder自閉癥譜系障礙

Cluster 3 #2 dynamic MRI動(dòng)態(tài)MRI

Cluster 4 #3 MRI-based treatment planning基于MRI治療計(jì)劃

Cluster 5 #4 hybrid deep magnetic resonance fingerprinting混合深度磁共振指紋

Cluster 6 #5 unified multi-channel classification統(tǒng)一多通道分類

Cluster 7 #6 neural representation神經(jīng)表征

Cluster 8 #7 deep independence network analysis深度獨(dú)立網(wǎng)絡(luò)分析

Cluster 9 #8 efficient multi-scale 3D CNN多維度3D卷積神經(jīng)網(wǎng)絡(luò)

Cluster 10 #9 early brain-development早期大腦發(fā)育

Cluster 11 #10 abdominal organ腹部器官

圖3 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域共現(xiàn)聚類分析

在上述分析的基礎(chǔ)上，再利用CiteSpace對(duì)論文數(shù)據(jù)集及其參考文獻(xiàn)集合進(jìn)行分段分析，并獲得該領(lǐng)域每個(gè)時(shí)間段內(nèi)的主要的熱點(diǎn)子領(lǐng)域（方向），如圖4-圖7所示。

由此，可了解該領(lǐng)域在近年的熱點(diǎn)研究方向變化趨勢(shì)：

圖4 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域共被引聚類分析（2013-2016）

圖5 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域共被引聚類分析（2017-2018）

圖6 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域共被引聚類分析（2019-2020）

圖7 深度學(xué)習(xí)時(shí)代下的磁共振成像領(lǐng)域共被引聚類分析（2021-2022）

AI+磁共振研究領(lǐng)域，有哪些高影響力機(jī)構(gòu)？

國(guó)際合著論文的多少在一定程度上反映了機(jī)構(gòu)的國(guó)際合作水平和國(guó)際影響力。該報(bào)告根據(jù)上文數(shù)據(jù)，選取了領(lǐng)域發(fā)文較多或影響力較高的6個(gè)機(jī)構(gòu)，分別為哈佛大學(xué)、斯坦福大學(xué)、北卡羅來(lái)納大學(xué)教堂山分校、帝國(guó)理工學(xué)院、高麗大學(xué)、復(fù)旦大學(xué)，并據(jù)此分析這幾家美國(guó)、英國(guó)、中國(guó)、韓國(guó)的機(jī)構(gòu)主要的合作偏向和合作數(shù)量。

圖8 哈佛大學(xué)產(chǎn)出論文的主要合作機(jī)構(gòu)

圖9 斯坦福大學(xué)產(chǎn)出論文的主要合作機(jī)構(gòu)

圖10 北卡羅來(lái)納大學(xué)教堂山分校產(chǎn)出論文的主要合作機(jī)構(gòu)

圖11 帝國(guó)理工學(xué)院產(chǎn)出論文的主要合作機(jī)構(gòu)

圖12 高麗大學(xué)產(chǎn)出論文的主要合作機(jī)構(gòu)

圖13 復(fù)旦大學(xué)產(chǎn)出論文的主要合作機(jī)構(gòu)

以上幾個(gè)機(jī)構(gòu)國(guó)際合著論文的合作伙伴，也多為國(guó)際知名高校或大型企業(yè)，幾個(gè)機(jī)構(gòu)之間也常有合著論文，如復(fù)旦大學(xué)與飛利浦、斯坦福大學(xué)與哈佛大學(xué)、北卡羅來(lái)納大學(xué)教堂山分校與上海交通大學(xué)等。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。