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

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。

Jul, 2023

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

提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

Jul, 2023

提出一种半自动熵基主动学习方法，通过很少的标注样本，快速直观地从数百万条流线的全脑道路图中分割出白质束，能够在肿瘤病例中实现与正常状况相当的分割效果（dice=0.71），而平均分割时间也比传统基于感兴趣区域的方法更短。

May, 2023

本文研究使用一种新增的方法基于扩散 MRI 来描述人类白质解剖学，该方法简单易用、自动提取白质束，简化了对大型扩散 MRI 数据库中白质束的量化和统计分析，并实现了对患者白质解剖学的自动标记。在将这种方法描述后，我们提供了一个其实现的示例，以在健康人中编码人体白质解剖学的解剖学知识。最后，我们介绍了应用此方法创建了白质图谱，并在小规模概念验证研究中使用该图谱检测了表征精神分裂症的联合 tracts 变化。

Dec, 2015

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

TractCloud 是一种无需配准的框架，通过利用邻近和全脑纤维束的信息描述大脑的局部解剖和全局姿态，实现个体空间中的全脑白质解剖，并在各个测试数据集上显著优于现有方法。

Jul, 2023

本论文利用深度学习方法，提出了一种基于 MRI 影像的人脊髓灰质分割新方法，可用于神经学疾病的研究，提供更好的脑部组织分割结果。

Oct, 2017

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