KDDOct, 2017

快速可扩展的分布式深度卷积自编码器用于 fMRI 大数据分析

PDF
TL;DR本文介绍了一种快速和可扩展的分布式深度卷积自编码器模型，其使用卷积神经网络来处理 tfMRI 数据，以学习 tfMRI 数据的复杂层次结构，并实现了在大规模 GPU 集群上对 tfMRI 大数据进行分析，从而将神经科学的信息从海量 fMRI 数据中提取出来。
发现论文，激发创造
  • 多主体 fMRI 数据聚合的卷积自编码器

    这篇研究论文探讨了如何在保留脑部区域性的同时聚合多主体 fMRI 数据。通过组合共享响应模型和搜索光分析等方法来实现该目标，并介绍了一个系统性设计来解决卷积自编码器的计算挑战。

    Aug, 2016

  • 深层级卷积神经网络级联重建 MR 图像

    通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

    Mar, 2017

  • 用于脑 MRI 非监督异常分割的尺度空间自编码器

    使用拉普拉斯金字塔对健康脑 MRI 的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

    Jun, 2020

  • 功能性大脑网络自动识别的更节约模型：以静息态功能磁共振为例

    通过采用监督超像素编码技术和图形技术，可以优化模型，在不影响 CNN 模型性能的情况下将优化参数提高 26 倍，并能够在脑肿瘤患者的大脑图像中识别特征连接

    Jul, 2023

  • MRI 中基底核分割的 3D 卷积神经网络：一项大规模研究

    本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

    Dec, 2016

  • DeepcomplexMRI: 利用深度残差网络，通过复数卷积快速进行并行磁共振成像

    本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

    Jun, 2019

  • 预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

    本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

    Feb, 2015

  • 基于时间的深度图像先验用于动态磁共振成像

    本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

    Oct, 2019

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

    May, 2023