Jun, 2023

学习同源脑结构正常不对称表示

PDF
TL;DR通过异常检测和表征学习，使用孪生架构将大脑结构的左右半球分割映射到正常非对称嵌入空间中，以量化未见过的样本对中心的嵌入距离，为研究正常大脑非对称性和神经变性疾病的诊断提出了一种新颖的方法。
brain asymmetryneurodegenerative diseasesanomaly detectionsiamese architecturealzheimer's disease
发现论文，激发创造
  • 使用对称性分割脑瘤

    本文研究将脑部对称性编码进神经网络，用于脑肿瘤分割任务。我们提出了一种方法将脑部对称性编码进现有神经网络，并将该方法应用于医学成像分割的最新神经网络。通过在脑肿瘤分割挑战赛数据集上验证，我们证实了新模型比原模型更加高效地提取训练图像信息。

    Nov, 2017

  • 基于形变的形态测量框架，使用学习的正常老化模板分辨阿尔茨海默病与正常老化

    通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

    Nov, 2023

  • 一种考虑解剖学的孪生网络：利用语义不对称性在 X 光图像中实现精准骨盆骨折检测

    本文提出一种新的骨盆前突破检测方法，基于对称性分析、空间转换层和 Siamese 网络，通过对像素信息进行深度学习优化，成功提高了诊断准确率。

    Jul, 2020

  • 利用最优形状对应量化阿尔茨海默病中的海马形态不对称

    阿尔茨海默病（AD）中的海马萎缩具有不对称性和空间不均匀性，本文利用局部形状不对称性对左右海马进行点对应优化，并同时利用整个样本的紧凑统计形状模型，在考虑其他混淆因素的基础上量化这种不对称性，结果表明与使用体积信息相比，形状不对称性揭示了患者中海马区域最显著的形状不对称性差异。

    Dec, 2023

  • 应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

    本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

    Apr, 2020

  • 使用软标签的孪生网络在筛查乳腺 X 射线照片上进行无监督异常检测和裁剪预训练

    通过对比侧面乳房 X 射线摄影图像来训练神经网络，以实现全面无监督的方式区分异常病变和背景组织，从而实现乳房补丁分类任务中的卓越性能。

    Jan, 2024

  • 用深度自编码模型进行脑 MR 图像无监督异常分割

    本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

    Apr, 2018

  • 深度分层生成模型解释解剖形态分析

    通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

    Jun, 2019

  • Symbrain: 新生儿脑对称性分析的大规模 MRI 图像数据集

    该研究提供了一个脑 MRI 图像的注释数据集，旨在推进脑对称性研究领域。数据集可用于训练深度学习模型，通过识别医学 MRI 图像中的潜在非对称模式，从而实现新生儿脑 MRI 异常检测的更精确诊断。此外，该数据集还可为使用两个脑半球的相对对称性进行关键诊断和治疗规划的方法的研究和开发做出贡献。

    Jan, 2024

  • 半球专业化下的双侧大脑深度学习

    该研究提出了一种双侧神经网络结构，模仿大脑左右脑半球的功能区别，并通过对图像分类任务的测试表明，这种结构比其他容量类似的基线模型更具有效性，可以实现对图像特征的加权注意力。

    Sep, 2022