医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

Apr, 2024

提出一种基于连接方式的上下文表示学习模型 (CS-CRL)，用于多种脑病的诊断，特别是具有视觉变换 (ViT) 编码器和掩码重建作为代理任务和格拉姆矩阵来指导连通信息的表示，能够更好地聚合特征和提取全局上下文。实验结果表明，其在六个数据集和三种脑病的诊断任务中取得了卓越的准确性，并且胜过了现有的最先进模型。

Jun, 2023

扩散加权磁共振成像（dMRI）提供了非侵入性评估大脑微结构和结构连接的独特能力。然而，分析 dMRI 数据以提取临床和科学目的的有用信息具有挑战性，而机器学习方法在解决 dMRI 分析中的困难任务方面可能具有潜力。然而，为了实现这一点，需要解决现有方法的缺陷和重要未解决问题，包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。

Jan, 2024

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

Brain-ID 是一种用于脑成像的稳健特征表示学习策略，无论采集图像的外观如何（例如变形、对比度、分辨率、方向、伪影等），都能适应各个受试者的脑解剖结构，可用于多种对比度相关和独立的下游任务。

Nov, 2023

本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

Jun, 2023

本文将基于自动编码器的方法，采用无监督学习的方法，利用健康人的脑 MRI 数据集学习其数据分布，提出了一种简单而有效的约束，希望能够在潜在空间中将带有病灶的图像映射到其对应的健康图像上，该方法在 BRATS 挑战数据集的病灶检测中表现出更好的性能。

Jun, 2018

磁共振成像（MRI）在大脑疾病诊断中起着至关重要的作用，本研究提出了一种分层知识增强的预训练框架 UniBrain，用于通用的脑 MRI 诊断，通过构建一种层次对齐机制，利用大规模数据集进行特征学习，取得了比所有最先进的诊断方法更好的性能且与专家放射科医生相媲美的表现。

Sep, 2023

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

Dec, 2023

采用深度学习技术，探索正常大脑的隐式流形，并通过解决图像合成和去噪问题，提出了一种新颖的无监督 T1 加权脑 MRI 合成方法，进一步证明了人工网络合成逼真图像数据的能力，从而可以更好地用于改进成像处理技术和提供大脑结构变化的定量框架。

Jan, 2018