大脑连接的形状对人类语言功能具有预测作用,通过形状分析、脑成像和 dMRI 引导下的大脑白质连接,可以改进对特定个体语言表现的预测。
Mar, 2024
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
我们提出了一种基于几何深度学习的框架 TractGeoNet,用于使用扩散磁共振成像(dMRI)束索术和相关点微结构测量进行回归。该方法利用点云表示,直接利用纤维束内所有点的点微结构和位置信息。为改善回归性能,我们提出了一种新的损失函数 Paired-Siamese Regression loss,鼓励模型关注准确预测回归标签得分之间的相对差异,而不仅仅是绝对值。此外,我们提出了一种关键区域定位算法,用于识别白质纤维束内高度预测的解剖区域。通过使用来自人体连接组项目中 806 位受试者的 20 个关联白质纤维束的数据集,我们评估了所提方法的有效性,并证明了 TractGeoNet 相对于几种常见回归模型具有优越的预测性能。我们发现,在所研究的二十个纤维束中,左弓状束是两个语言性能评估中最具预测性的。定位的关键区域广泛分布于两个半球和所有大脑叶,包括被认为对语言功能重要的脑区,如颞叶上和前部区域、操作小叶和顶前回。总体而言,TractGeoNet 展示了几何深度学习增强研究大脑白质纤维束并将其结构与人类特征(如语言性能)相关的潜力。
Jul, 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
利用微结构特征和非宏观结构特征,开发基于白质特定的年龄估计方法,成功捕捉异常的白质年龄化现象。
Nov, 2023
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。
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。
扩散加权磁共振成像(dMRI)提供了非侵入性评估大脑微结构和结构连接的独特能力。然而,分析 dMRI 数据以提取临床和科学目的的有用信息具有挑战性,而机器学习方法在解决 dMRI 分析中的困难任务方面可能具有潜力。然而,为了实现这一点,需要解决现有方法的缺陷和重要未解决问题,包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。
Jan, 2024
通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路,以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域,从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。
Feb, 2020
应用自我监督表示学习的完全数据驱动方法,以 3D-PLI 图像为基础,对神经纤维结构进行特征化。