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.

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.

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.

其中，帝国理工学院无论是高被引论文占比、CNCI或是篇均被引，都是领域内最高水平。

随着人工智能及机器学习的发展，深度学习方法被应用于医学图像处理中，同时也使磁共振成像在新的时代背景下有了新的发展动力。

2022年度，截至检索日期（2022-06-27）共发文674篇。

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.

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.

此外，该报告还根据上述研究中获得的主题词分布，通过分析工具DDA绘制了主题词与研究机构的二维矩阵表（表4）。

报告的数据源来自Web of Science数据库中的SCI索引集、InCites数据库。

表2 深度学习时代下的磁共振成像领域主要的SCI论文产出机构及影响力

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.

Cluster 11 #10 abdominal organ腹部器官

磁共振成像领域的主要科研论文产出机构集中在美国、中国、欧洲、韩国，该报告根据SCI一区论文占比（%Q1）、ESI高被引论文占比（%HCP）、标准化引文影响力（CNCI）、篇均被引、国际合作论文占比（%国际合作）等几项指标，将发表论文数量前50名的机构整理成表。

Cluster 3 #2 dynamic MRI动态MRI

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.

该报告根据磁共振成像及深度学习的语义特征、相关的关键词，设计了检索式：主题=("Magnetic Resonance Imag*" OR MRI) AND "deep learn*"，时间范围为2013-2022年，同时限制文献类型为Article。

美国埃默里大学的Yang Xiaofeng副教授，Liu Tian副教授、Wang Tonghe助理教授、Lei Yang老师等都较大程度地贡献了该领域的论文产出。

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.

报告尝试从这张主题分布图中揭示出该领域研究主题的研究高地（出现频次多的主题词）分布。

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

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.

由此，可了解该领域在近年的热点研究方向变化趋势：

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.

雷峰网对该报告的主要内容进行了如下梳理。

其中，在Web of Science数据库SCI索引集中，共检索到2013-2022年间发表的该主题共计3254篇研究论文。

图12 高丽大学产出论文的主要合作机构