Mar, 2023

针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

PDF
TL;DR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。
发现论文，激发创造
  • 神经退行性疾病的超高分辨率激活态 MRI 的基于表面的分区和顶点分析

    介绍了一种新的方法来研究脑结构，使用 ex vivo 磁共振成像技术对阿尔茨海默病及相关痴呆的 82 个样本进行了超高分辨率分析，并将形态计量学与组织学病理学数据进行关联。

    Mar, 2024

  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 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

  • H-SynEx：使用合成图像和超高分辨率体外 MRI 进行下丘脑亚区分割

    开发了一种基于超高分辨率离体磁共振成像（MRI）的下丘脑亚区自动分割方法，可跨 MRI 序列和分辨率进行普适化，无需重新训练。

    Jan, 2024

  • 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

  • 使用胎儿组织注释数据集的自动多组织人类胎儿大脑分割基准测试

    提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

    Oct, 2020

  • 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

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 在临床异质性和低场便携式 MRI 中量化白质高信号和脑容积

    该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

    Dec, 2023

  • DeepThalamus: 从多模态超高分辨率 MRI 自动分割脑丘核的新颖深度学习方法

    本研究设计并实现了一个多模态体积深度神经网络，用于超高分辨率（0.125 mm3）下丘脑核的分割，并与其他方法进行了比较，在分割质量和效率方面表现出竞争力。

    Jan, 2024