Dynamic Magnetic Resonance Imaging (dMRI) is widely used to assess various cardiac conditions such as cardiac motion and blood flow. To accelerate MR acquisition, techniques such as undersampling and Simultaneous Multi-Slice (SMS) are often used. Special reconstruction algorithms are needed to reconstruct multiple SMS image slices from the entangled information. Deep learning (DL)-based methods have shown promising results for single-slice MR reconstruction, but the addition of SMS acceleration raises unique challenges due to the composite k-space signals and the resulting images with strong inter-slice artifacts. Furthermore, many dMRI applications lack sufficient data for training reconstruction neural networks. In this study, we propose a novel DL-based framework for dynamic SMS reconstruction. Our main contributions are 1) a combination of data transformation steps and network design that effectively leverages the unique characteristics of undersampled dynamic SMS data, and 2) an MR physics-guided transfer learning strategy that addresses the data scarcity issue. Thorough comparisons with multiple baseline methods illustrate the strengths of our proposed methods.
CAT-Net: A Cross-Slice Attention Transformer Model for Prostate Zonal Segmentation in MRI
University of California, Los Angeles (UCLA)（加利福尼亚大学洛杉矶分校）；The First Affiliated Hospital of China Medical University（中国医科大学附属第一医院）；VoxelCloud, Inc.（体素云公司）
Uncertainty-Guided Efficient Interactive Refinement of Fetal Brain Segmentation from Stacks of MRI Slices
University of Electronic Science and Technology of China（电子科技大学）；King’s College London（伦敦国王学院）；University Hospitals KU Leuven（鲁汶大学附属医院）；University College London（伦敦大学学院）；SenseTime Research（商汤科技研究院）
4D MRI: Robust sorting of free breathing MRI slices for use in interventional settings
Faculty of Computer Science, Otto-von-Guericke University Magdeburg（马格德堡奥托·冯·格里克大学计算机科学学院）；Clinic for Radiology and Nuclear Medicine, University Hospital Magdeburg（马格德堡大学医院放射与核医学诊所）
目的：我们的目标是开发一种强大的4D MRI方法，用于大FOV，能够提取不规则的呼吸运动，可与所有MRI机器一起使用，因此适用于支持广泛的介入设置。方法：我们提出了一种4D MRI重建方法来捕获任意数量的呼吸状态。它在导航切片和搜索区域中使用模板更新，以实现快速和稳健的血管横截面跟踪。它以1.82 mm x 1.82 mm x 4 mm的空间分辨率和200 ms的时间分辨率捕获255 mm x 320 mm x 228 mm的FOV。对13例健康受试者的37个4D MRI图像进行了重建，以验证该方法的有效性。对新方法和基线方法的重建率和速度进行了定量评价。此外，进行了一项由10名放射科医师参与的研究，以评估两种方法的主观重建质量。结果如下：我们的研究结果表明，与基线方法相比，平均重建率有所提高（79.4% vs. 45.5%），平均重建时间有所改善（24 s vs. 73 s）。介入放射科医生认为我们的方法的重建质量高于基线（262.5分vs. 217.5分，p=0.02）。结论：模板更新是提高4D MRI重建率和实现更好重建质量的有效方法。搜索区域减少重建时间。这些改进增加了4D MRI作为经皮介入中无缝支持介入图像引导的基础的适用性。
The Segment Anything foundation model achieves favorable brain tumor autosegmentation accuracy on MRI to support radiotherapy treatment planning
Universitätsklinikum Erlangen（埃尔兰根大学医院）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；Comprehensive Cancer Center Erlangen-EMN (CCC ER-EMN)（埃尔兰根-欧洲分子神经科学网络综合癌症中心）
Introducing DEFORMISE: A deep learning framework for dementia diagnosis in the elderly using optimized MRI slice selection
International Hellenic University（国际希腊大学）；MetaMind Innovations；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Kingston University London（伦敦金斯顿大学）；University of Western Macedonia（西马其顿大学）
Instituto de Aplicaciones de las Tecnologías de la Información y de las Comunicaciones Avanzadas (ITACA), Universitat Politècnica de València（瓦伦西亚理工大学先进信息技术与通信应用研究所 (ITACA)）；CNRS（法国国家科学研究中心）；Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立高等工程技术学校）；Universitat de Valencia（瓦伦西亚大学）；University Valencia（瓦伦西亚大学）；EPHE（巴黎高等研究实践学院）；CHU de Bordeaux（波尔多大学医院中心）；Institut des Maladies Neurodégénératives（神经退行性疾病研究所）；CEA Saclay（法国原子能和替代能源委员会萨克雷）；Instituto de Automática e Informática Industrial, Universitat Politècnica de València（瓦伦西亚大学工业自动化与计算机研究所）；Hospital Universitario y Politécnico La Fe（拉菲大学综合医院）；Fundación para el Fomento de la Investigación Sanitario y Biomédica de la Comunidad Valenciana（瓦伦西亚社区健康与生物医学研究促进基金会）
Autoencoding Low-Resolution MRI for Semantically Smooth Interpolation of Anisotropic MRI
Amsterdam University Medical Centers（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；Amsterdam Cardiovascular Sciences（阿姆斯特丹心血管科学研究所）；Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）
Back to Physics: Operator-Guided Generative Paths for SMS MRI Reconstruction
School of Advanced Manufacturing, Nanchang University（先进制造学院，南昌大学）；College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学）
Dementia Severity Classification under Small Sample Size and Weak Supervision in Thick Slice MRI
Sharif University of Technology（谢里夫理工大学）；Iranian Brain Mapping Biobank（伊朗脑图谱生物库）；National Brain Mapping Laboratory（国家脑图谱实验室）；Virtual University of Medical Sciences（虚拟医科大学）
LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling
Netherlands Cancer Institute（荷兰癌症研究所）；Radboud University Medical Center（拉德堡德大学医学中心）；University Medical Center Utrecht（乌得勒支大学医学中心）；Macao Polytechnic University（澳门理工大学）
Rapid head-pose detection for automated slice prescription of fetal-brain MRI
Department of Radiology, Massachusetts General Hospital（麻省总医院放射科）；Radiology, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院放射科）
From Coarse to Continuous: Progressive Refinement Implicit Neural Representation for Motion-Robust Anisotropic MRI Reconstruction
Department of Bioengineering and Imperial-X, Imperial College London（生物工程系和Imperial-X，帝国理工学院伦敦分校）；Department of Bioengineering, Imperial College London（生物工程系，帝国理工学院伦敦分校）
Automatic linear measurements of the fetal brain on MRI with deep neural networks
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Sagol Brain Institute, Tel Aviv Sourasky Medical Center（特拉维夫苏拉斯基医疗中心萨戈尔脑研究所）；Tel Aviv University（特拉维夫大学）；Tel Aviv Sourasky Medical Center（特拉维夫苏拉斯基医疗中心）；University of Ottawa（渥太华大学）；Children's Hospital of Eastern Ontario（东安大略儿童医院）；Shaare Zedek Medical Center（沙雷泽德克医疗中心）
Heart Segmentation From MRI Scans Using Convolutional Neural Network
University of Karachi（卡拉奇大学）；Zhejiang University（浙江大学）；Iqra University（伊克拉大学）；Karachi Institute of Economics and Technology（卡拉奇经济与技术学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
Self-Supervised Slice-to-Volume Reconstruction with Gaussian Representations for Fetal MRI
Department of Electrical and Electronic Engineering and I-X, Imperial College London（伦敦帝国理工学院电气与电子工程系及I-X）；Trinity College Institute of Neuroscience, Trinity College Dublin（都柏林圣三一学院神经科学研究所）
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医学技术与智能系统研究所）；jung diagnostics GmbH（jung diagnostics 有限公司）
College of Health Science and Environmental Engineering, Shenzhen Technology University（深圳科技大学健康科学与环境工程学院）；University Medical Center Göttingen（哥廷根大学医学中心）；Guangdong-Hongkong-Macau CNS Regeneration Institute, Key Laboratory of CNS Regeneration (Jinan University)-Ministry of Education, Jinan University（广东-港澳-澳门神经科学再生研究所，神经科学再生重点实验室（暨南大学）-教育部，暨南大学）；Department of Radiology, The First Hospital of Tsinghua University（清华大学第一医院放射科）；Center for Biomedical Imaging Research, Department of Biomedical Engineering, School of Medicine, Tsinghua University（清华大学生物医学成像研究中心，生物医学工程系，医学院）；Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrument Science, Zhejiang University（教育部生物医学工程重点实验室，生物医学工程与仪器科学学院，浙江大学）；Department of Endocrinology and Metabolism, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine（浙江大学医学院邵逸夫医院内分泌科）；Lab of Molecular Imaging and Medical Intelligence, Department of Radiology, Longgang Central Hospital of Shenzhen (Shenzhen Clinical Medical College, Guangzhou University of Chinese Medicine（分子成像与医学智能实验室，放射科，深圳龙岗中心医院（深圳临床医学院，广州中医药大学；龙岗临床学院，汕头大学医学院））；Longgang Clinical Institute of Shantou University Medical College)
Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks
Electrical and Computer Engineering Department, University of Illinois Chicago（伊利诺伊大学芝加哥分校电子与计算机工程系）；Machine and Hybrid Intelligence Lab, Northwestern University（西北大学机器与混合智能实验室）；Department of Radiology, University of Chicago（芝加哥大学放射学系）
Equivariant symmetry-aware head pose estimation for fetal MRI
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Boston Children's Hospital and Harvard Medical School（波士顿儿童医院和哈佛医学院）；Inria, Université Côte d'Azur（法国国家科学研究中心（Inria）、蔚蓝海岸大学）
MRI Plane Orientation Detection using a Context-Aware 2.5D Model
Department of Computer Science, University of Massachusetts Boston（计算机科学系，马萨诸塞大学波士顿分校）；Department of Physics, University of Massachusetts Boston（物理系，马萨诸塞大学波士顿分校）
Fetal MRI by robust deep generative prior reconstruction and diffeomorphic registration: application to gestational age prediction
Universidad Politécnica de Madrid（马德里理工大学）；Biomedical Research Networking Center in Bioengineering, Biomaterials and Nanomedicine (CIBER-BBN)（生物医学研究网络中心（生物工程、生物材料与纳米医学））；King’s College London（伦敦国王学院）
