图7 深度学习时代下的磁共振成像领域共被引聚类分析（2021-2022）

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。

Cluster 8 #7 deep independence network analysis深度独立网络分析

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。

来自帝国理工学院的Rueckert, Daniel教授，在各影响力指标上都处于所分析对象中的最高数值。

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-+.

Cluster 2 #1 autism spectrum disorder自闭症谱系障碍

图4 深度学习时代下的磁共振成像领域共被引聚类分析（2013-2016）

图8 哈佛大学产出论文的主要合作机构

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。

根据比对，以下39篇论文为该领域中的研究前沿论文：

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

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）。

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。

由此，可了解该领域在近年的热点研究方向变化趋势：

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.

Cluster 3 #2 dynamic MRI动态MRI

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。

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.

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.

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.

表4 深度学习时代下的磁共振成像领域主题词与主要研究机构矩阵

图9 斯坦福大学产出论文的主要合作机构

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.

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.

该报告尝试揭示出各机构的主要研究主题侧重。表中数字代表该机构在该主题词上的研究频次。

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.

Cluster 10 #9 early brain-development早期大脑发育

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.

Convolutional neural network是大部分研究机构论文中出现频次最高的主题词，其中哈佛大学、帝国理工学院和电子科技大学三所学校的论文中出现该主题词的频次最高。