深度神经网络中多个输入描述符和监督员的合并,用于纤维束图过滤
本研究提出了一种利用 SIFT 方法进行脑神经纤维重建的流线过滤方法,通过多组稳定的过滤结果用于流线的真实性判断,并通过训练分类器实现对流线的准确分辨,从而提高了脑神经连接研究的可靠性和可重复性。
May, 2022
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
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
本研究提出了一种新型的混合卷积神经网络,将分割和配准集成到单个过程中,同时应用于白质束的分割,数量为 N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较,证明了其显著更高的准确性、一致性和可再现性,具有用于支持临床和流行病学分析的潜力。
Aug, 2019
本论文提出一个半监督学习框架,利用多视图图像流训练关键点检测器,以弥补有限标注数据的不足。作者使用多视图几何和视觉跟踪的互补关系提供三种监督信号,使用未标记的数据训练网络,证明其优于 DeepLabCut 等现有的关键点检测器,特别适用于猴、狗、老鼠等非人类物种的关键点检测。
Nov, 2018
本文提出了一种在线多光谱神经元追踪方法,该方法通过独特设计的模块实现,在不需要离线训练的情况下,通过在线训练来更新增强的判别性相关滤波器以实现追踪过程的融合。与其他需要离线训练的追踪方法(如深度学习方法)不同,我们的方法不需要注释。此外,与其他需要复杂设置(如聚类和图多分割)的追踪方法相比,我们的方法更容易应用于新的图像。事实上,它只需要追踪神经元的起始边界框,大大减少了用户的配置工作。我们进行了大量实验证明,我们的无需训练和易于配置的方法可以在多光谱图像中快速而准确地重建神经元。
Mar, 2024
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
为了解决密集轨迹提取过程中的问题,我们提出了一种新的局部描述符,它汇聚了在 iDT 中交错两个网络之间的新卷积层,通过将一个网络中学习到的有区分性的权重应用到另一个网络的卷积层上来计算得到。该方法在 UCF101 上达到了 92.3%,在 HMDB51 上达到了 66.2%的排名。
Apr, 2016
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