该研究提出了 BundleSeg 方法，它是一种可靠、可重复、快速的提取白质通路的方法。该方法结合了迭代配准过程和最近开发的精确流线搜索算法，能够高效地分割流线，无需束束聚类或简化假设。通过实验证明，BundleSeg 相比于现有的分割方法，具有更好的重复性和可再现性，且速度显著提升。提取白质连接的增强精度和降低的变异性为神经信息学研究提供了有价值的工具，提高了基于白质通路的卟马纤维追踪研究的灵敏度和特异度。

Aug, 2023

本文提出了一种基于脑白质纤维束连接信息对个体大脑皮层进行完整分区的混合方法，分为五个步骤，最终输出不同皮层的子区分标签。在功能分化、功能整合和小世界等方面，经过测试得出其效果良好。

Feb, 2020

TractCloud 是一种无需配准的框架，通过利用邻近和全脑纤维束的信息描述大脑的局部解剖和全局姿态，实现个体空间中的全脑白质解剖，并在各个测试数据集上显著优于现有方法。

Jul, 2023

提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

Jul, 2023

提出一种半自动熵基主动学习方法，通过很少的标注样本，快速直观地从数百万条流线的全脑道路图中分割出白质束，能够在肿瘤病例中实现与正常状况相当的分割效果（dice=0.71），而平均分割时间也比传统基于感兴趣区域的方法更短。

May, 2023

该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道，并演示了其在重建神经元连接性的准确性和速度上的优势。

Dec, 2016

提出一种基于深度学习方法直接从扩散 MRI 数据中分割出大脑白质道的新方法，克服了现有方法因中间计算所带来的误差，并且相较于现有技术，该方法具有更好的泛化能力并可用于多种临床和研究应用。

Jul, 2023

本研究提出了一种新型的混合卷积神经网络，将分割和配准集成到单个过程中，同时应用于白质束的分割，数量为 N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较，证明了其显著更高的准确性、一致性和可再现性，具有用于支持临床和流行病学分析的潜力。

Aug, 2019

提出了一种基于束特定追踪图分布函数的新型追踪方法，使用高阶流线微分方程重建流线束，以集群为单位，以简化全局上的追踪过程，并获得更好的结果。

Jul, 2023

本研究提出第一个能够在分布式内存上实现 Tucker 分解的并行算法，通过压缩科学模拟产生的大规模数据，尽量保持数据准确性。对使用该算法的真实数据集进行了压缩和精度分析，并提供了详细的性能结果，包括弱和强缩放实验中的并行性能。

Oct, 2015