2018年MICCAI附录：深度学习驱动的医疗图像重构研讨会

《机器学习在医学图像重建中的应用》是2018年出版的一本会议论文集，由Florian Knoll、Andreas Maier和Daniel Rueckert共同编辑，收录于 Springer LNCS 系列第11074卷，作为MICCAI 2018国际会议的配套活动——第一届机器学习在医学重建研讨会（MLMIR 2018）的成果。这本书在西班牙格拉纳达于2018年9月16日举行，共收录了17篇经过严格评审的论文。 这些论文集中在三个主题上：深度学习在磁共振成像（MRI）、计算机断层扫描（CT）以及一般图像重建中的应用。随着深度学习技术的发展，它在医学图像处理领域的影响力日益增强，尤其是在解决医学图像重建问题时，如低剂量CT扫描、图像去噪、分辨率提升、三维重建等复杂任务上，深度学习模型展现出了强大的潜力和效率。 深度学习在MRI中的应用，探讨了如何通过神经网络模型来优化图像的信噪比、提高空间分辨率或增强解码器的性能。这包括使用卷积神经网络（CNN）和递归神经网络（RNN）等架构来处理多模态数据，以及如何利用深度学习进行自编码器的训练，用于图像的自适应重建。 对于CT成像，研究者们展示了深度学习如何帮助解决剂量管理问题，通过减少辐射暴露同时保持图像质量。此外，深度学习也被用于CT图像的后处理，如图像融合、伪影消除和病灶检测，以提升诊断的准确性。 更广泛地，该书还涵盖了深度学习在医疗图像的一般性重建方法，这些方法可以应用于多种成像技术，如X射线、超声波和光学成像。深度学习技术的应用不仅限于重建过程，还包括图像预处理、特征提取和解码阶段，它们通过端到端的学习能力，能够从原始数据中自动学习和提取有用的特征，从而改善重建质量。 这本书提供了对2018年机器学习在医学图像重建领域的最新进展和技术的深入洞察，对科研人员、医生和工程师来说，是一份宝贵的参考资料，帮助他们理解如何利用深度学习解决实际的医学成像挑战，推动医疗影像学的前沿发展。