利用神经场快速构建生物医学图像图谱的方法；将个体特定图谱的构建视为学习可变形时空观测的神经场；将该方法应用于胎儿子宫内动态 BOLD MRI 时间序列的学习和运动稳定化；与现有方法相比，我们的方法收敛速度快 5-7 倍，为胎儿 BOLD 时间序列提供高质量的图谱，虽然在解剖重叠方面略低于优化的基准模型，但在模板估计方面显著提高了速度，从而使得大型数据库的 4D 动态 MRI 采集能够快速处理和稳定。

Nov, 2023

本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

Oct, 2019

本研究提出了一种基于机器学习的方法来对脑活动进行长期预测，该方法基于 Koopman 算子，通过建立一种非线性映射来达到降维和预测的目的，并且实验证明该方法在预测方面的表现要好于传统的基于随机游走模型的方法。

Apr, 2023

本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

该论文提出了一种用于前列腺 MRI 偏置场校正的概率 Hadamard U-Net（PHU-Net）方法，通过引入新颖的 Hadamard U-Net（HU-Net）提取低频标量场，在频域中使用可训练过滤器、硬阈值化层和稀疏性惩罚消除高频组分，结合条件变分自编码器将偏置场校正形式编码到低维潜在空间中，通过与校正后原型图像相结合生成多个合理的图像，实验证明 PHU-Net 在快速推理速度下有效地纠正了前列腺 MRI 中的偏置场，并提高了前列腺 MRI 分割准确性。

Mar, 2024

该研究提出了一种使用头部运动参数和 BOLD 信号来重构 RV 波形的 CNN 模型，结果表明将头部运动参数与 BOLD 信号相结合可以增强 RV 波形估计。

Apr, 2024

MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

Feb, 2024

人类通过不断变化的视觉刺激来感知世界，其中场景可以移动、改变外观和距离。这篇研究论文针对动态视觉刺激的大多数研究聚焦于静态刺激，限制了对人类视觉的调查。与之相反，动态视觉刺激提供了更符合生态有效性的方法，但由于时空信息的相互作用，使得解耦稳定图像特征和运动表征的困难增加。为了解决这个问题，在动态输入情况下，我们明确地解耦了人脑中静态图像表征和运动表征的建模。三个结果证明了这个方法的可行性。首先，我们展示了视觉运动信息（如光流）可以从 fMRI 测得的脑活动中预测（或解码）出来。其次，我们展示了可以使用这个预测运动来使用基于运动条件的视频扩散模型（其中运动由 fMRI 脑活动驱动）逼真地使静态图像动画化。第三，我们展示了在相反方向上的预测：现有的视频编码器可以进行微调，从视频图像中预测 fMRI 脑活动，并且相较于图像编码器能更有效地进行预测。这项基础工作为解释人类大脑如何处理动态视觉信息提供了一种新颖且可扩展的框架。

Jun, 2024

使用功能性磁共振成像（fMRI）对不同图像数据集进行复杂性特定的图像分类，研究神经活动与视觉相关的差异，发现并比较了不同网络模型在多类别分类中的性能，建立了研究人类大脑对不同复杂度图像反应的基准。

Sep, 2023

通过物理模拟和优化方法，本研究构建了多通道大脑组织概率图，实现了基于磁共振成像（MRI）扫描结果重建灰质、白质和脑脊液的精确方法，并不依赖于训练数据。

Apr, 2024