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

本文提出了一种基于脑白质纤维束连接信息对个体大脑皮层进行完整分区的混合方法，分为五个步骤，最终输出不同皮层的子区分标签。在功能分化、功能整合和小世界等方面，经过测试得出其效果良好。

Feb, 2020

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

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

本研究提出了第一种方法，用于对任何分辨率和脉冲序列的临床脑 MRI 扫描进行皮层重建，配准、分割和厚度估计。

May, 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

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

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

该论文针对连接信息，提出了无损整合整个人类大脑皮层的划分方法，利用聚类和流形学习技术、图形模型等手段，实现了对大脑结构和功能特征的准确提取，并对其进行了多层次评估。

Feb, 2018

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