Sep, 2021

PialNN：用于皮层 Pial 表面重建的快速深度学习框架

PDF
TL;DR介绍了 Pial 神经网络，一种三维深度学习框架，用于皮质表面重建，可以捕捉皮质表面多尺度 MRI 信息，并在一个秒内重建包含 150k 顶点的皮质表面网格，相较于现有的深度学习方法，PialNN 减少了预测皮质表面的几何误差 30%。
发现论文，激发创造
  • 通过递归变形学习从婴儿脑 MRI 重建具有球面拓扑的皮层表面

    通过深度学习方法，本研究提出了一种高效的同时进行大脑皮层表面重建与球形映射的方法，有效地改善了婴儿脑 MRI 的网格规则性和几何误差，超过了最先进的深度学习方法，并保持了较高的计算效率。

    Dec, 2023

  • Vox2Cortex: 基于几何深度神经网络的 3D MRI 扫描皮层表面快速显式重构

    本论文提出了一种名为 Vox2Cortex 的基于深度学习的算法，直接从 MRI 扫描中提取顶部正确且三维网格化的大脑皮层界面，相较于传统和基于深度学习的算法更快速、更精准。

    Mar, 2022

  • 基于模板的 MRI 皮层表面重建的神经变形场

    Vox2Cortex-Flow 是一种深度网格变形技术，通过学习从大脑模板到磁共振成像扫描的皮层表面的变形场，实现皮层表面的重建，并能与白质和脑膜表面共同建模。该方法在重建精度上达到了最先进水平，并提供了皮层厚度的分区和群体分析所需的一致对应关系。

    Jan, 2024

  • PIPNet3D：MRI 扫描中阿尔茨海默症的可解释检测

    使用神经影像学（CT，MRI）数据以支持痴呆症的诊断，特别是阿尔茨海默病。通过使用深度学习方法自动分析并发现新的图像生物标记，我们提出了一种基于部分原型神经网络（PP-NN）的模型 PIPNet3D，并应用于阿尔茨海默病的临床研究。结果表明，PIPNet3D 是一种可解释的、紧凑的阿尔茨海默病诊断模型，其推理过程与医学领域知识相吻合，且具有与其黑盒模型相同的准确度。

    Mar, 2024

  • DeepCSR：一种用于大脑皮层表面重建的三维深度学习方法

    本文提出了一种基于深度学习的 3D 框架 DeepCSR，用于从 MRI 中重建大脑皮层，并在清晰地捕捉皮层折叠的同时，能够高效地重建皮层表面，比 FreeSurfer 和 FastSurfer 更准确更快。

    Oct, 2020

  • 神经安格洛：高保真神经表面重建

    本文介绍了一种新的神经表面重建方法 Neuralangelo，该方法结合了多分辨率 3D 哈希网格和神经表面渲染的表示能力。通过利用数值梯度和粗到细优化控制不同级别的细节，即使在没有深度等辅助输入的情况下，Neuralangelo 也可以从多视角图像中有效地恢复密集的 3D 表面结构，比以前的方法实现了更高的精度，从而使得可以用 RGB 视频捕获对大规模场景进行详细的重建。

    Jun, 2023

  • 3D 脑 MRI 分类的残差和普通卷积神经网络

    该研究利用深度学习算法进行神经成像数据处理，提出利用残差和 3D 卷积神经网络架构实现自动特征生成和更简单的分析，最终在 3D 结构 MRI 脑部扫描中对阿尔茨海默病与轻度认知障碍和正常对照的分类取得了可比的效果。

    Jan, 2017

  • FastSurfer -- 快速准确的基于深度学习的神经影像处理管道

    本研究基于深度学习提出了一种快速准确的神经影像处理流程，用于自动处理结构人脑 MRI 扫描。我们在 95 个类别中引入多元切片信息聚合，利用竞态稠密块和竞态跳跃路径实现局部和全局竞争，并通过将大脑标签直接映射到表面实现了皮质表面建模和厚度分析。在多个数据集中进行了广泛的验证，证明了该方法的高精度、高可靠性和高灵敏性。

    Oct, 2019

  • 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

  • 大规模神经影像学研究中，异质性临床脑 MRI 扫描的皮质分析

    本研究提出了第一种方法，用于对任何分辨率和脉冲序列的临床脑 MRI 扫描进行皮层重建，配准、分割和厚度估计。

    May, 2023