通过使用深度学习进行纤维定向分布的重建，可以从减少的扩散加权图像中产生准确的纤维定向分布，从而减少总体成像时间，并提出了用于保证深度学习网络中间输出与输入扩散加权图像一致性的球形反卷积网络模型驱动的纤维定向分布重建架构。

Jul, 2023

通过使用自动角度超分辨率从更快的采集中来克服当前长时间的磁共振成像数据得出纤维定向的问题，我们在公开可用的 Human Connectome Project (HCP) DW-MRI 数据上训练了一种基于变压器的深度学习架构，FOD-Swin-Net，能够将来自 32 个方向的单壳重建与 288 个方向的多壳 FOD 重建相媲美，极大地减少了初始采集所需的方向数量。通过与角度相关系数和定性可视化的评估，我们发现重建的 FOD 在 HCP 测试数据中表现优异，高于现有技术水平。

Feb, 2024

本研究提出了一种新的扩散模型，用于恢复因畸变伪影引起的信号丢失，通过增强扩散模型的能力生成具有所有 SPHARM 阶级别的单个 FOD 体积，并提取所有 SPHARM 阶级别之间的交叉关注特征，以捕捉 FOD 体积之间的阶级别相关性，同时使用低扭曲的 FOD 环绕高扭曲区域作为条件，确保生成的 FOD 几何的一致性，实验证明该方法能够在受影响的脑区中恢复 FOD 的完整性，显著提高相关脑区的纤维追踪性能。

Jun, 2024

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

本文介绍了一种自主学习方法 Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

Nov, 2020

我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

Aug, 2023

提出了一种基于束特定追踪图分布函数的新型追踪方法，使用高阶流线微分方程重建流线束，以集群为单位，以简化全局上的追踪过程，并获得更好的结果。

Jul, 2023

本研究旨在开发一种方法，通过使用已有的具有不完整视野的扩散磁共振成像扫描文件中的缺失切片，来恢复完整视野。实验结果表明，该方法能够改善整个大脑线索成像，修复受损数据，并在分析与阿尔茨海默病相关的组束时减少不确定性。

May, 2024

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。

Mar, 2024

该研究提出了在扩散磁共振成像中，使用参数连续卷积网络进行角度超分辨率，并且在全局坐标和领域特定上下文等方面进行了改进。该方法不仅可以有效降低参数数量，还能够泛化至临床相关的下游分析，如 Fixel 相关分析和神经元方向分散和密度成像。

Jun, 2023