扩散 MRI 中大脑白质束的直接分割
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
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
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
本研究提出了一种通过使用缩放残差自助法改进的白质束分割方法,以提高模型对任意测试数据集的泛化性能。实验证明,在不同设置下,我们的方法一致提高了白质束分割的泛化能力。
Sep, 2023
提出了一种对多发性硬化患者进行多序列脑 MRI 扫描的白质病变和正常神经解剖结构同时分割的方法,并通过四个不同的数据集验证了该方法的高鲁棒性。
May, 2020
本文研究如何基于深度学习对白质纤维传播成像进行分割,着重研究了如何利用少量标注数据进行一次性分割,通过数据增强的方式,提高了模型对新的白质纤维传播成像的分割准确性。
Mar, 2023
本文介绍了通过 WMH Segmentation Challenge,针对来自多个中心和扫描仪的脑部 MRI 图像,评估了五种指标来比较自动化白质高信号 (WMH)分割算法的性能,发现了四种方法的结果比其他方法显著优越,并且表明不是所有方法都适用于未知扫描仪。
Apr, 2019
该研究描述了一种能在任意分辨率和对比度(包括低场可移动磁共振成像)的扫描中,无需重新训练即可分割白质高信号和 36 个脑区域的方法,并展示了在多个数据集和高 / 低场扫描的强相关性结果。
Dec, 2023
本研究探索使用六种广泛使用的径路追踪方法重建 CST 及其身体拓扑组织的性能,并使用扩散 MRI 数据进行实验评估各方法的优点和局限性。研究发现,目前的径路追踪方法已经取得了进展,但在包括手和脸区域的侧部重要投射和包括腿区域在内的临床重要投射的全面 CST 重建方面仍存在重要挑战。
Jun, 2023