{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,3,12]，“日期-时间”：“2024-03-12T17:09:37Z”，“时间戳”：1710263377827}，“发布者位置”：“查姆”，“引用-计数”：20，“出版商”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030872304”，“类型”：”打印“}，{“值”：“9783030872311”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，{“开始”：{“date-ports”：[2021,1,1]，“日期-时间”：“2021-01-01T00:00:00Z”，“时间戳”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https://www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：160945.9200000}，“content-version”：“tdm”，“delay-in-days”：0、“URL”：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\www.sprinternature.com/gp\researters/text-and-date-mining“}]，”content-domain“：{”domain“：[”link.springer.com“]，“交叉标记限制”：false｝，“短容器标题”：[]，“已出版印刷品”：{“日期部分”：[[2021]]}，“DOI”：“10.1007\/978-3-030-87231-1_1”，“类型”：“图书章节”，“已创建”：{“日期部分”：[[2021,9,22]]，“日期时间”：“2021-09-22T15:05:11Z”，“时间戳”：1632323111000}，“页面”：“3-12”，“更新策略”：“http:\/\/dx.DOI.org/10.1007\/springer_crossmarks _政策”，“source”：“Crossref”，“is-referenced-by-count”：10，“title”：[“薄片MR图像重建的两阶段自我监督循环一致性网络”]，“prefix”：“10.1007”，”author“：[{”given“：”Zhiyang“，”family“：”Lu“，”sequence“：”first“，”affiliation“：[]}，{”fivent“：”郑“，“family”：“Li”：“Wang”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Jun”，“family”：“Shi”，“serquence”:“additionable”，“filiation“：[]{”给定“：“Dinggang”，“家族”：“Shen”，“序列”：“附加”，“从属关系”：[]，“member”：“297”，“published-online”：{“date-parts”：[2021,9,21]]}，“reference”：[{“issue”：“6”，“key”：“1_CR1”，“doi-asserted-by”：“publisher”，“first page”：“1983”，“DOI”：“10.1002\/mrm.24187”，“volume”：“68”，“author”：“E Plenge”，“year”：“2012”，“unstructured”：“Plenge，E.，Poot，D.H.，Bernsen，M.等人：MRI中的超分辨率方法：它们能改善分辨率、信噪比和采集时间之间的权衡吗？Magn.Reson.Med.68（6），1983\u20131993（2012）”，“新闻标题”：“Magn.Reson.Med.”}，{“issue”：“5”，“key”：“1_CR2”，“doi-asserted-by”：“publisher”，“first page”：”1182“，“doi”：“10.1109\/TMI.2017.2656907”，“volume”：：“36”，“author”：“Y Jia”，“year”：“2017”，“unstructured”：“Jia，Y.，Gholipour，A.，He，Z.，et al.：一种新的稀疏表示框架，用于从正交各向异性分辨率扫描重建各向同性高空间分辨率MR体。IEEE Trans.Med.Imag.36（5），1182\u20131193（2017）”，“期刊标题”：“IEEE Trans.Med.Imag”}，{“issue”：“6”，“key”：“1_CR3”，“doi-asserted-by”：“publisher”，“首页”：“306”，“DOI”：“10.1002\/cmr.a.21249”，“卷”：“40”，“作者”：“E Van Reeth”，“年份”：“2012年”，“非结构化”：“Van Reet，E.，Tham，I.W.，Tan，C.H.，et al.：磁共振成像超分辨率：综述。概念磁共振成像a部分40（6），306\u2013325（2012）”，“期刊标题”：“概念磁共振图像a部分”}，{“问题”：“12”，“密钥”：“1_CR4”，“doi-asserted-by”：“publisher”，“first page”：“3106”，“doi”：“10.1109\/TMM.2019.2919431”，“volume”：”21“，“author”：“W Yang”，“year”：“2019”，“unstructured”：“Yang，W.，Zhang，X.，Tian，Y.，et al.：单图像超分辨率的深度学习：简要回顾。IEEE Trans.Multimedia 21（12），3106\u20133121（2019）”，“journal-title”：“IEEE Trans.Multimedia”}，{“issue”：“3”，“key”：“1_CR5”，“doi-asserted-by”：“publisher”，“first page”：：“1129”，“doi”：“10.1109 \/JBHI.2018.2843819”，《volume》：“23”，“author”：“J Shi”，《year》：“2018”，“unstructured”：“Shi，J.，Li，Z.，Ying，S.，et al.：通过固定跳跃连接的宽剩余网络实现MR图像超分辨率。IEEE J。生物识别。健康信息。23（3），1129\u20131140（2018）“，“新闻标题”：“IEEE J.Biomed。健康信息。“}，{”key“：”1_CR6“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”first page“：“12”，”doi“：”10.1007\/978-3-030-32248-9_2“，”volume-title“：“医学图像计算与计算机辅助干预\u2013 MICCAI 2019”，“author”：“Z Li”，“year”：“2019”“unstructured”：”Li，Z.等：动脉自旋标记磁共振成像的两阶段多损耗超分辨率网络。收录人：Shen，D.等人（编辑）MICCAI 2019。LNCS，第11766卷，第12\u201320页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-32248-9_2“}，{“key”：“1_CR7”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“325”，“doi”：“10.1007\/978-23-197389-9_38”，“volume-title”：《医学成像中的机器学习》，“author”：“Z-Li”，“年份”：“2017”，“非结构化”：“Li，Z.，Wang，Y.，Yu，J.：使用生成性对抗网络重建薄片医学图像。收录：Wang，Q.，Shi，Y.、Suk，H.-I.、Suzuki，K.（编辑）MLMI 2017。LNCS，第10541卷，第325\u2013333页。查姆施普林格（2017）。https:\/\/doi.org\/10.1007\/978-3-319-67389-9_38“}，{“key”：“1_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，Y.，Xie，Y.、Zhou，Z.等：使用3D深密连接神经网络的脑MRI超分辨率。摘自：ISBI，pp.739\u2013742（2018）”，“doi”：“10.1109\/ISBI.2018.83679”}，“key“：”1_CR9“，”doi-assert-by“：“出版商”，“首页“：“209”，“DOI”：“10.1016\/j.neucom.2018.10.102”，“volume”：“392”，“author”：“j Du”，“year”：“2020”，“unstructured”：“Du，j.，He，Z.，Wang，L.，et al.：使用剩余卷积神经网络对单个各向异性3D MR图像进行超分辨率重建。神经计算392，209\u2013220（2020）”，“journal title”：“神经计算”}，{“key”：1_CR10“，”doi-asserted-by“：”crossref“，”unstructured“：”Peng，C.，Lin，W.A.，Liao，H.，et al.：SAINT：医学切片合成的空间感知插值网络。收录于：CVPR，第7750\u20137759（2020）页“，”DOI“：”10.1109\/CVPR42600.2020.00777“}，{“key”：“1_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Jing，L.，Tian，Y.：用深度神经网络进行自我监督视觉特征学习：一项调查。IEEE Trans.Pattern Anal.Mach.Intell.（2020）”，“DOI”：“10.1109\/TPAMI.2020.2992393”}，“key“：”1_CR12“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，J.B.，Singh，A.，Ahuja，N.：从变换后的自聚焦相机获得的单图像超分辨率。收录于：CVPR，pp.5197\u20135206（2015）“，“DOI”：“10.1109\/CVPR.2015.7299156”}，{“key”：“1_CR13”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yuan，Liu，S.，Zhang，J.，et al.：使用循环内生成对抗网络的无监督图像超分辨率。收录于“1_CR14”，“doi-asserted-by“：”crossref“，”unstructured“：”Reda，F.A.，Sun，D.，Dundar，A.等人：使用循环一致性的无监督视频插值。其中：ICCV，pp.892\u2013900（2019）“，“DOI”：“10.1109\/ICCV.2019.00098”}，{“key”：“1_CR15”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhao，C.，Carass，A.，Dewey，B.E.，et al.：使用深网络的磁共振图像自超分辨率。In:ISBI，pp.365\u2013368（2018）”，“DOI:“10.1109 \/ISBI.2018.8363594”}“序列标签”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“100”，“doi”：“10.1007\/978-3-030-00928-1_12”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2018”，“author”：“C Zhao”，“year”：“2018”，”unstructured“：”Zhao，C。，等人：基于深度学习的MRI抗混叠自超分辨率算法。In：Frangi，A.F.，Schnabel，J.A.，Davatzikos，C.，Alberola-L\u00f3pez，C.，Fichtinger，G.（eds.）MICCAI 2018。LNCS，第11070卷，第100页\u2013108。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00928-1_12“}，{“问题”：“3”，“密钥”：“1_CR17”，“doi-asserted-by”：“出版商”，“首页”：“805”，“doi”：“10.1109\/TMI.2020.3037187”，“卷”：“40”，“作者”：“C Zhao”，“年份”：“2020”，“非结构化”：“Zhao，C.，Dewey，B.E.，Pham，D.L.，et al.：SMORE：一种使用深度学习的MRI自导抗锯齿和超分辨率算法。IEEE传输。医学图像。40（3），805\u2013817（2020）“，“期刊标题”：“IEEE Trans。医学影像学。“}，{”key“：”1_CR18“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，Y.，Tian，Y.、Kong，Y.等：图像超分辨率剩余密集网络。In:CVPR，pp.2472\u20132481（2018）“，”doi“：”10.1109\/CVPR.2018.00262“}Ledig，C.，Theis，L.，Husz\u00e1r，F.等人：使用生成性对抗网络的真实感照片单图像超分辨率。收录于：CVPR，第4681\u20134690页（2017年），“DOI”：“10.1109\/CVPR.2017.19”}，{“issue”：“4”，“key”：“1_CR20”，“DOI-asserted-by”：“publisher”，“first page”：“CR Jack Jr”，“年份”：“2008年，“非结构化”：“Jack，Jr.，C.R.，Bernstein，M.A.，Fox，N.C.等人：阿尔茨海默病神经成像倡议（ADNI）：MRI方法。J.马格纳。决议。图像。27（4），685\u2013691（2008）“，“新闻标题”：“J.Magn。决议。图像。“}]，”container-title“：[”医学图像计算和计算机辅助干预\u2013 MICCAI 2021“，”计算机科学课堂讲稿“]，”原始标题“：[]，”链接“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-030-87231-1_1“，”内容类型“：”未指定“，”content-version“：”vor“，”intended-application“：”相似性检查“}]”，“存放“：{“date-parts”：[[2023,11,2]]，“date-time”：“2023-11-02T20:02:05Z”，“timestamp”：1698955325000}，“score”：1，“resource”：{”primary“：{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3030-87231-1_1”}，”subtitle“：[]，”shortitle“[]，“issued”：{“date-ports”：[2021]]}，‘ISBN’：[”97830308308 72304“，”9783030872311“]，”references-count“：20，”URL“：”http:\/\/dx.doi.org\/10.1007\/978-3-030-87231-1_1“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”0302-7743“”，“type”：“print”}，{”value“：“1611-3399”，“类型”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2021]}2021年9月“，”订单“：1，”名称“：”first_online“，”标签“：”first online“，“group”：{“name“：”ChapterHistory“，”label“：”ChapterHistory“｝｝｝，｛”value“：”MICCAI“，”order“：1，”name“：”conference_name“，”label“：”ConferenceInfo“，”label“：”ConferenceInformation“｝｝，｛”value“：”国际医学图像计算与计算机辅助干预会议“，”order“：2，”name“：”conference_name“，”label“：”会议名称“，”组“：{“Name”：“ConferenceInfo”，“label”：“conferenceInformation”}}，{“value”：“Strasbourg”，“order”：3，“Name”:“Conference_city”，“标签”：“会议城市”，“group”：{名称“：”ConferenceInformo“，”标签“：”会议信息“}}}ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”2021“，”order“：5，”name“：”Conference_year“，”标签“：”会议年份“，”group“：会议信息“}}，{“value”：“2021年10月1日”，“order”：8，“name”：“Conference_end_date”，“label”：“Conference end date”，“group”：{“name”:“ConferenceInformo”，“table”：“会议信息”}}“”miccai2021“，”order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：双盲“，”顺序“：1，”名称“：”type“，”label“：”type“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”Microsoft CMT“，”order“：2，”name“:”conference_management_system“同行评审信息（由会议组织者提供）“}}，{“value”：“1622”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”33%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“4”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}]}}