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

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

通过物理模拟和优化方法，本研究构建了多通道大脑组织概率图，实现了基于磁共振成像（MRI）扫描结果重建灰质、白质和脑脊液的精确方法，并不依赖于训练数据。

Apr, 2024

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

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

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

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