Jun, 2023

基于物理学的加速扩散加权 MRI 推断骨骼肌微结构

PDF
TL;DR提出了一种基于物理和机器学习的框架，采用扩散加权 MRI 对骨骼肌进行非侵入性评估，从而准确地估计微结构组织。该算法可用于评估骨骼肌健康和功能，有望成为一种有前途的非侵入性工具。
skeletal muscle healthmicrostructural organizationdiffusion-weighted mriphysics-inspired machine learning-based frameworknon-invasive estimation
发现论文，激发创造
  • 利用机器学习的扩散磁共振成像

    扩散加权磁共振成像（dMRI）提供了非侵入性评估大脑微结构和结构连接的独特能力。然而，分析 dMRI 数据以提取临床和科学目的的有用信息具有挑战性，而机器学习方法在解决 dMRI 分析中的困难任务方面可能具有潜力。然而，为了实现这一点，需要解决现有方法的缺陷和重要未解决问题，包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。

    Jan, 2024

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • Patch2Self: 自监督学习去噪扩散 MRI

    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

  • 面向结构连续的扩散磁共振成像信号的神经球谐函数

    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

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 基于深度约束球形去卷积的扩散磁共振韧性纤维 ODF 估计

    本文提出了一种新颖的数据驱动的深度约束球形反卷积方法，用于对重复 DW-MRI 扫描的脑微结构进行更可重复和更健壮的估计，并表明该方法在区分具有不同生物标志物的受试者方面具有更好的表现。

    Jun, 2023

  • 深度 MpMRI：张量分解正则化学习在快速高保真多参数显微结构磁共振成像中的应用

    提出了 DeepMpMRI，用于从不同扩散模型中使用稀疏采样的 q 空间数据快速高保真地估计多参数；实验证实了该方法在同时定量和定性地估计多参数映射方面相对于 5 种最先进方法的优越性和 4.5-22.5 倍加速

    May, 2024

  • MSKdeX：从 X 光图像中进行肌肉骨骼分解，精细估计瘦体肌肉量和肌肉体积

    提出了一种被称为 MSKdeX 的算法，可以通过肌肉骨骼分解库，将 X 射线图像分解为肌肉 CT 图像的投影并估算肌肉性质参数，该方法在 539 个患者的数据集上测试表现良好（平均皮尔森相关系数从 0.46 提高到 0.863），对于肌肉骨骼疾病的诊断有很大的应用前景。

    May, 2023

  • 用残差学习从白质扩散度预测年龄

    利用微结构特征和非宏观结构特征，开发基于白质特定的年龄估计方法，成功捕捉异常的白质年龄化现象。

    Nov, 2023

  • 胎儿大脑的解剖学束追踪

    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