深度多结构形状分析：在神经解剖学中的应用

Jun, 2018

深度多结构形状分析：在神经解剖学中的应用

Deep Multi-Structural Shape Analysis: Application to Neuroanatomy

Benjamin Gutierrez-Becker, Christian Wachinger

TL;DR提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

Abstract

We propose a deep neural network for supervised learning on neuroanatomical shapes. The network directly operates on raw point clouds without the need for mesh processing or the identification of point correspond

neuroanatomical shapes deep neural network supervised learning alzheimer's disease prediction brain age regression

发现论文，激发创造

基于解剖形状和表格临床数据的宽且深的神经网络生存分析

研究利用神经网络将患者的 hippocampus 形态和临床生物标记结合，预测从轻度认知障碍到阿尔茨海默病的进展，并且在处理时间数据时采用了常用的生存分析方法。实验表明，该模型的表现优于处理形态数据以及处理临床生物标记数据的模型。

Sep, 2019

深度分层生成模型解释解剖形态分析

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

深度中心体：用于解剖形状建模的学习中心轴近似

通过模板变形和深度介质体方法实现形状重建，以应用于医学成像、可视化和计算机模拟。

Mar, 2024

点云网络能否学习解剖结构的统计形态模型？

利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

May, 2023

应用深度神经网络进行解剖学脑分割

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

使用解剖多视角数据进行非图像表型可解释预测的深度网络

我们研究了应用多视图方法改进非成像表型预测的机器学习方法，通过解释性的多视图网络（EMV-Net）利用不同解剖视图提取特征来提高预测性能。

Jan, 2024

多分辨率实例判别式的无监督三维形状分析学习

本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法，具体方法是联合编码和学习来自未标记的三维点云的形状和点特征，使用基于八叉树的卷积神经网络来进行编码，并设计了一个简单而高效的多分辨率实例判别损失，本方法不仅表现出了所有无监督方法中最佳的性能，还在小标记数据集的任务中表现出了与监督方法有竞争力的性能，甚至在细粒度形状分割任务中超过了现有的监督方法。

Aug, 2020

多分辨率树网络用于 3D 点云处理

使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

Jul, 2018

Point2SSM: 从点云中学习解剖结构的形态变异

Point2SSM 是一种新颖的无监督学习方法，它可以直接从点云构建基于对应的解剖学统计形态模型（SSM），克服了传统方法的局限性，并且应用于构建解剖学 SSM 上的结果要优于现有网络，可以更好地捕捉人群水平的统计数据。

May, 2023

跨域光纤簇形态分析与语言表现心智得分预测

大脑连接的形状对人类语言功能具有预测作用，通过形状分析、脑成像和 dMRI 引导下的大脑白质连接，可以改进对特定个体语言表现的预测。

Mar, 2024