MTNeuro: 评估不同抽象层次的大脑结构表征的基准

Jan, 2023

MTNeuro: 评估不同抽象层次的大脑结构表征的基准

MTNeuro: A Benchmark for Evaluating Representations of Brain Structure Across Multiple Levels of Abstraction

Jorge Quesada, Lakshmi Sathidevi, Ran Liu, Nauman Ahad, Joy M. Jackson...

TL;DR通过对小鼠大脑（涉及多个皮层区和亚皮层区）成像图像的研究，发现自监督方法可以用来学习能够捕获图像多个属性的表征，并在多个下游任务上表现良好的特征。提供了多任务神经影像基准（MTNeuro）的数据集，注释和多个下游任务，其中包括对大脑结构和架构的不同预测挑战。

Abstract

There are multiple scales of abstraction from which we can describe the same image, depending on whether we are focusing on fine-grained details or a more global attribute of the image. In brain mapping, learning to automatically parse images to build representations of both small-scale features (e.g., the presence of cells or blood vessels) and global prope

multi-task neuroimaging benchmark brain structure brain-region prediction pixel-level semantic segmentation self-supervised models

发现论文，激发创造

神经图：脑连接组学图机器学习基准

介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

Jun, 2023

基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

朝着可解释的自动神经解剖学

我们提出了一种新的方法来量化脑组织的微观结构，该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比，我们的系统基于可解释特征而不是灰度值来做决策，并且可以准确地定位和识别现有的脑结构，从而有助于连接组学研究和脑电路的逆向工程。

Apr, 2024

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

本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

Mar, 2023

MAProtoNet：一个多尺度、注重注意力、可解释的原型部分网络，用于 3D 磁共振成像脑肿瘤分类

医学成像中的自动诊断与人工智能已成为一个有前途的领域，但通过提出 Multi-scale Attentive Prototypical part Network (MAProtoNet) 来提供更精确的归因地图，以解决深度神经网络可解释性问题。

Apr, 2024

NeuroNet：快速且鲁棒的多个脑图像分割流水线的复现

NeuroNet 是一个基于深度卷积神经网络的脑分割工具，可以训练单个模型以提高各种脑成分的分割能力，并减少处理时间而增加结果的稳定性。

Jun, 2018

神经表示基准及其在脑和机器上的评估

该论文提出了一个新的基准来测试视觉表征，该基准直接测试大脑中多个视觉皮层区域中的神经表征，并测试了产生特征空间的任何计算机视觉算法。结论是一种针对中等图像难度的学习算法能够达到与大脑皮层区域 IT 相当的性能水平，并且优于更简单的区域 V4，在较高难度水平时甚至超过了 IT。

Jan, 2013

EEG-ImageNet: 多层次标签的脑电图数据集和基准测试

通过脑活动识别和重建我们所看到的内容，可以深入研究生物视觉系统如何代表世界。本文介绍了 EEG-ImageNet，一个包括从 16 名受试者记录的来自 ImageNet 数据集中的 4000 个图像的新颖 EEG 数据集，该数据集为目标分类和图像重建建立了基准。实验结果表明该数据集有助于推动基于脑电图的视觉脑 - 计算机界面，理解生物系统的视觉知觉，并在改进机器视觉模型方面有潜在应用。

Jun, 2024