【作 者】：网站采编
【关键词】：
【摘 要】：深度学习时代下的磁共振成像领域在2013-2021间每年的SCI论文产出数量是逐年递增的。 根据比对，以下39篇论文为该领域中的研究前沿论文： 其中， 任职于

深度学习时代下的磁共振成像领域在2013-2021间每年的SCI论文产出数量是逐年递增的。

根据比对，以下39篇论文为该领域中的研究前沿论文：

其中，任职于上海科技大学/联影智能（原任职于北卡罗来纳大学教堂山分校）的沈定刚教授贡献最为突出，研究成果最多并且各指标均处于很高的水平。

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.

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.

Cluster 9 #8 efficient multi-scale 3D CNN多维度3D卷积神经网络

而韩国科学技术院Ye, Jong Chul教授在影响力指标上也有非常明显的优势。

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.

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.

图6 深度学习时代下的磁共振成像领域共被引聚类分析（2019-2020）

该报告检索2013年至今近十年发表的SCI期刊论文作为分析对象，考察该领域的研究发展态势和变化趋势。

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.

Cluster 7 #6 neural representation神经表征

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.

图10 北卡罗来纳大学教堂山分校产出论文的主要合作机构

文章来源：《中国科技论文》 网址: http://www.zgkjlwzz.cn/zonghexinwen/2022/0705/847.html