NeuroNet 是一个基于深度卷积神经网络的脑分割工具，可以训练单个模型以提高各种脑成分的分割能力，并减少处理时间而增加结果的稳定性。

Jun, 2018

本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

Oct, 2023

本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

Apr, 2023

该研究聚焦于使用超声技术获取 2D 胎儿脑部图像，提供了一个共同空间中的模板和注释图像用于分析脑发育，检测异常，并开发新的分割技术和配准方法。

Jun, 2024

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

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

通过对小鼠大脑（涉及多个皮层区和亚皮层区）成像图像的研究，发现自监督方法可以用来学习能够捕获图像多个属性的表征，并在多个下游任务上表现良好的特征。提供了多任务神经影像基准（MTNeuro）的数据集，注释和多个下游任务，其中包括对大脑结构和架构的不同预测挑战。

Jan, 2023

通过模板训练方法，使用一种人口平均脑 MRI 模板和相关分割标签，从头开始训练 3D U-Net 模型，在视觉感知增强和减轻过拟合的基础上，实现对鼠、大鼠、印度狨猴、恒河猴和人类脑 MRI 进行头骨去除、脑分割和组织概率映射等分割任务的训练，有效解决数据有限的问题，扩展深度学习在图像分析中的应用，为研究人员提供了仅需一张图像样本即可训练深度神经网络的统一解决方案。

Aug, 2023

GEM-3D 是一种基于条件扩散模型的新型生成方法，通过将 3D 医学图像分解为掩模和患者信息，从现有数据集中生成不同变化的高质量 3D 医学图像，实现了数据集的增强。

Mar, 2024