早期脑发育的组织联系相连接机构形成高度有序的结构连接组。通过该连接组的相互连接性，大脑的认知能力受到影响，并对疾病和环境因素产生影响。因此，对围产期阶段的结构连接进行定量评估有助于研究正常和异常的神经发展。然而，从扩散 MRI 数据中估计连接组涉及复杂的计算。对于围产期，这些计算进一步受到脑快速发育和图像难度的挑战。加上高主体间变异性，这些因素使得在脑发育的这一关键阶段建立结构连接的可靠参考基线变得困难。在本研究中，我们开发了一个基于时空平均的计算框架来确定此类基线。我们使用该框架来分析来自 166 个主体的 33 到 44 周月经后的结构连接。我们的结果揭示了围产期结构连通性发展中的明确且强烈的趋势。基于纤维状异性和神经树突密度的连接权重产生了最一致的结果。我们观察到全局和局部效率的增加，特征路径长度的减小，以及大脑叶和半球内外之间连接的广泛增强。我们还观察到不同连接权重方法之间一致的不对称模式。这种新的计算方法和结果在早期评估结构连接的正常和异常发展中非常有用。

Aug, 2023

我们建立了一个自监督深度学习模型，用于检测扣带区域的皱褶模式，在包括人体连接组计划和英国生物银行在内的大规模数据集上进行了测试，并取得了量化的评估结果。

Jan, 2024

人脑组织、功能差异、可解决性、预测模型、个体特征解析需要更具信息量的成像或更强大的模型。

Aug, 2023

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

通过深度学习方法，本研究提出了一种高效的同时进行大脑皮层表面重建与球形映射的方法，有效地改善了婴儿脑 MRI 的网格规则性和几何误差，超过了最先进的深度学习方法，并保持了较高的计算效率。

Dec, 2023

该研究提出了 CortexMorph 方法，该方法利用无监督深度学习直接回归 DiReCT 所需的变形场，结合深度学习的分割模型，可以在几秒钟内从 T1 加权图像中估计区域厚度，同时保持检测皮层萎缩的能力。

Jul, 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

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

我们通过将展开方法的最新进展与使用自我监督对比学习方法获得的深度纹理特征相结合，展示了一种新的方法来分析人类海马体在 3D-PLI 中的区域组织，我们的表示中的聚类与海马体亚区的经典描述相对应，证明了所开发的方法的有效性。

Feb, 2024

本研究介绍了一种创新的 3D 可解释性框架，通过将本地可解释性技术 GradCam 和 SHAP 与降维方法相结合，验证了深度学习网络在检测前额媒体表面可能存在的解剖特征 —— 副扣带沟，该框架通过解释和统计特征的后融合转换，提供了局部和全局解释以及分类结果的准确性，揭示了对决策过程有贡献的相关子区域。利用来自精神分裂症患者的 TOP-OSLO MRI 数据集，发现了左侧大脑半球中副扣带沟存在与否的检测正确率较右侧更高，且各分类结果有各自明显的子区域贡献。同时，本研究无意中强调了公正的注释协议在维护网络性能公平性方面的关键作用。我们提出的方法不仅能自动、公正地注释可变的沟，还能深入了解其在整个脑部中存在的广泛解剖变化，该方法的采用有望在神经科学领域引发进一步的探索和研究。

Sep, 2023