Jun, 2022

CorticalFlow: 一种用于大脑皮层表面重建的可形变网格变形模块

PDF
TL;DR本文提出了一种新的几何深度学习模型 CorticalFlow，用于 3D 图像到目标物体的畸变，其具有小 GPU 内存占用，生成数十万个顶点的表面及降低拓扑级别错误的特点。该模型在大脑皮层表面重建等方面具有卓越的表现和临床价值。
corticalflowgeometric deep-learningbrain cortical surface reconstructionmanifoldnessanatomically plausible surfaces
发现论文，激发创造
  • 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

  • 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

  • 皮层表面扩散生成模型

    在这项研究中，我们提出了一种基于修改后的表面视觉转换模型作为主要架构的新型扩散模型，用于生成大脑皮层表面度量。我们在发育中的人类连接组计划 (dHCP) 中验证了我们的方法，结果表明我们的模型在捕捉变化中的大脑皮层表面的复杂细节方面表现出优越性能。此外，我们的模型可以在扫描时根据孕周龄 (PMA) 生成高质量、逼真的皮层表面样本。

    Feb, 2024

  • 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

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • MeshODE：一个强大可扩展的网格变形框架

    MeshODE 是一个可扩展和鲁棒的 CAD 模型变形框架，它使用一种新颖的形状特征保持映射函数，结合非刚性 ICP 算法，通过最小化拟合和刚度损失来连续地将一个模型变形到另一个模型。我们使用深度双射映射来处理复杂变形，并提供了 CAD 预处理流程来快速优化过程中保持全局和局部细节。

    May, 2020

  • ShapeFlow: 可学习 3D 形状之间的变形

    利用神经网络学习基于多模板的变形空间，用于形状生成、几何样式转换、无监督学习和形状插值等应用。

    Jun, 2020

  • 通过切片 Wasserstein 距离优化的同胚形变用于大脑皮层表面重建

    使用切片 Wasserstein 距离，基于概率测度的 Mesh 变形方法进行了研究。使用神经常微分方程 ODE 对输入的 Mesh 表面进行变形，其结果在多个数据集和指标上均超过了其他竞争方法。

    May, 2023

  • 基于几何深度学习的无监督多模态表面配准

    该研究介绍了 GeoMorph，一种用于皮层表面图像配准的新型几何深度学习框架。通过应用图卷积进行独立特征提取和深度离散注册，GeoMorph 能够捕捉重要的皮层表面特征，并实现平滑且符合生物学的变形，展现出出色的性能和潜力，适用于多种神经科学应用。

    Nov, 2023

  • 神经网格流：通过微分流生成三维流形网格

    提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。

    Jul, 2020