【作 者】：网站采编
【关键词】：
【摘 要】：此外，北卡罗来纳大学教堂山分校、高丽大学、纽约大学、伦敦大学学院等也表现出了很高的水平。 报告中同样按照以上几项指标，将发表论文最多、最

此外，北卡罗来纳大学教堂山分校、高丽大学、纽约大学、伦敦大学学院等也表现出了很高的水平。

报告中同样按照以上几项指标，将发表论文最多、最为突出的数十位科学家进行了汇总整理。

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.

近日，上海科技大学图书信息中心发布了一篇题为《深度学习时代下的磁共振成像》的研究报告。

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.

图1 深度学习时代下的磁共振成像领域的SCI论文产出趋势

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.

在该报告所引用的数据源中，ESI数据库提供了研究前沿（Research Fronts）数据，通过对最近5年内引用率最高的论文之间进行共被引聚类，识别由这些共被引论文聚类形成的集合，将这些集合定义了研究前沿RF。

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

图12 高丽大学产出论文的主要合作机构

该报告利用图谱分析工具CiteSpace对磁共振成像领域内的论文及参考文献集合进行共现分析及聚类分析后，获得了该领域主要的热点子领域（方向）（图3）。可以看出，领域内研究集中度较高的11个聚类方向如下所示：

在上述分析的基础上，再利用CiteSpace对论文数据集及其参考文献集合进行分段分析，并获得该领域每个时间段内的主要的热点子领域（方向），如图4-图7所示。

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

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.

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。

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

国际合著论文的多少在一定程度上反映了机构的国际合作水平和国际影响力。该报告根据上文数据，选取了领域发文较多或影响力较高的6个机构，分别为哈佛大学、斯坦福大学、北卡罗来纳大学教堂山分校、帝国理工学院、高丽大学、复旦大学，并据此分析这几家美国、英国、中国、韩国的机构主要的合作偏向和合作数量。

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.

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.

图2 深度学习时代下的磁共振成像领域主题词共现分布图

图3 深度学习时代下的磁共振成像领域共现聚类分析

Cluster 4 #3 MRI-based treatment planning基于MRI治疗计划

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。

ESI数据库揭示了个左右的RF，每个RF包含数量不等的高被引论文。进入RF的论文，在一定程度上体现了科学家和研究机构对研究的创新性和对前沿的贡献。

文章来源：《中国科技论文》 网址: http://www.zgkjlwzz.cn/zonghexinwen/2022/0706/848.html