本文使用四个不同的道路图筛选策略，训练了一个深度神经网络，通过评估在这个分类任务中流线各种信息的重要性，发现流线坐标是最相关的，其次是扩散数据。

Jul, 2023

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

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

提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割， 从而显著提高扩散张量成像的准确性和可重现性。

Mar, 2024

本文提出了一种新颖的数据驱动的深度约束球形反卷积方法，用于对重复 DW-MRI 扫描的脑微结构进行更可重复和更健壮的估计，并表明该方法在区分具有不同生物标志物的受试者方面具有更好的表现。

Jun, 2023

我们提出了一种新的方法 FENRI，该方法通过学习低分辨率扩散加权图像中的连续空间纤维方向密度函数，准确预测来自现实低质量数据的高分辨率纤维方向，并提供比三线性插值更好的流线重建效果。

Dec, 2023

我们提出了一种新的基于解剖引导的纤维轨迹分布的颅神经辨识框架，它在颅神经追踪过程中融合了解剖形状先验知识以建立扩散张量向量场；实验结果表明，与竞争方法相比，该方法降低了假阳性纤维的产生，并生成了更符合已知解剖学的重构颅神经（即 II、III、V 和 VII/VIII 颅神经）。

Feb, 2024

我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

Aug, 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

本文介绍了一种快速的非负卷积滤波算法，用于根据荧光观察推断每个神经元的最可能的尖峰火车，仅使用荧光数据即可估算推断所需的所有参数，而无需进行关节电生理和成像校准实验。

Dec, 2009