GMConv:实现对神经网络卷积核有效感受野的调节 前言 卷积神经网络（Convolutional Neural Networks，简称CNNs）通过卷积核的使用在计算机视觉任务上取得了显著的成功，包括图像分类、目标检测等。然而，近年来视觉转换器（Vision Transformers，简称ViTs）的出现逐渐受到关注，因为它们在视觉识别任务中表现优异，有时甚至超越了CNNs。尽管如此，改善CNNs的努力从未止步，许多研究工作致力于设计新的CNN架构，特别是大核卷积CNNs在准确性等方面展现了与最先进的ViTs相媲美的表现。 本文研究的重点在于CNN中的有效感受野（Effective Receptive Fields，简称ERFs），ERF表示特定输入像素对输出像素的贡献。研究发现ERFs通...

背景介绍 弥散张量磁共振成像（Diffusion Tensor Magnetic Resonance Imaging，DTI）是一种广泛应用于体内脑组织微结构和白质束成像的神经影像技术。然而，弥散加权图像（Diffusion-Weighted Images, DWI）中的噪声会降低DTI数据所派生出的微结构参数的精度，同时也导致需要更长的采集时间来提高信噪比(Signal-to-Noise Ratio, SNR)。尽管基于卷积神经网络（Convolutional Neural Networks, CNNs）的深度学习方法在图像去噪方面表现突出，但通常需要额外的高信噪比数据来监督CNN的训练，这限制了监督学习方法在去噪中的实际应用。 论文来源 本文标题为“SDnDTI: Self-Superv...

DeepDTI：使用深度学习实现高保真六方向扩散张量成像 研究背景及研究动机 扩散张量磁共振成像（Diffusion Tensor Imaging, DTI）在活体人脑组织微结构和结构连接性映射方面具有无可比拟的优势。然而，传统的DTI技术因为角度采样的要求导致扫描时间过长，制约了其在常规临床实践和大规模研究中的应用。为了克服这一瓶颈，研究者们开发了一种新的DTI处理框架，称为DeepDTI，通过数据驱动的监督深度学习最小化DTI的数据需求。本文的目的在于展示如何使用DeepDTI显著减少DTI的采样数据量，从而实现更快的扫描速度，同时保持高质量的成像结果。 论文来源 这篇论文的主要作者包括Qiyuan Tian, Berkin Bilgic, Qiuyun Fan, Congyu Liao...