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
该研究提出了 CortexMorph 方法,该方法利用无监督深度学习直接回归 DiReCT 所需的变形场,结合深度学习的分割模型,可以在几秒钟内从 T1 加权图像中估计区域厚度,同时保持检测皮层萎缩的能力。
Jul, 2023
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
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
利用高质量等间隔胎儿脑磁共振体积(以及对应的注释)指导厚层扫描的组织分割,通过域自适应技术实现从高质量等间隔体积到厚层扫描的知识迁移,通过 Fourier 分解提取图像信息和样式编码,最后使用 Cycle-Consistent Domain Adaptation Network(C2DA-Net)在未注释的厚层扫描上进行准确的组织分割。在大规模临床数据集上的广泛实验证明,我们的 C2DA-Net 在定量和定性上都比领先的方法表现出更好的性能。
Aug, 2023
磁共振成像(MRI)对诊断神经退行性疾病至关重要,然而准确评估轻度皮质萎缩仍然是一个挑战,因为其细微性质。我们介绍了随机皮质自重建(SCSR)的概念,通过使用 MRI 获得的厚度作为输入来创建一个个体特异的健康参考,并隐式考虑潜在的混淆因素。我们呈现了这个概念的三个实现:XGBoost 应用于分块,以及两个基于顶点级的自编码器 - 一个基于多层感知机,另一个是使用球面 U-Net。这些模型对来自英国生物库的健康个体进行了训练,随后在四个公共阿尔茨海默病数据集上进行了评估。最后,我们将该模型部署到临床自有数据上,在区分四种类型的痴呆症方面,偏离图的高空间分辨率有所帮助。
Mar, 2024
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
本文提出了一种基于脑白质纤维束连接信息对个体大脑皮层进行完整分区的混合方法,分为五个步骤,最终输出不同皮层的子区分标签。在功能分化、功能整合和小世界等方面,经过测试得出其效果良好。
Feb, 2020
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