Nov, 2023

Brain-ID：学习脑部成像的强健特征表示

PDF
TL;DRBrain-ID 是一种用于脑成像的稳健特征表示学习策略，无论采集图像的外观如何（例如变形、对比度、分辨率、方向、伪影等），都能适应各个受试者的脑解剖结构，可用于多种对比度相关和独立的下游任务。
learning-based approachescalibrated medical imaginguncalibrated modalitiesbrain-iddownstream tasks
发现论文，激发创造
  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • 从脑活动中解码高分辨率图像的对比、关注和扩散

    介绍了一个两阶段的 fMRI 表示学习框架，通过在预处理阶段使用 Double-contrastive Mask Auto-encoder 降噪，并在第二阶段利用图像自动编码器的指导来调整特征学习者，以关注对于视觉重建最有信息的神经激活模式。使用这种优化后的 fMRI 特征学习者条件下的潜在扩散模型重构图像刺激，实验结果证明该模型在生成高分辨率和语义准确的图像方面的优越性，50 种不同目标的情境下，top-1 语义分类的准确率比先前最先进的方法提高了 39.34％。

    May, 2023

  • UniBrain：基于层次化知识增强预训练的通用脑部 MRI 诊断

    磁共振成像（MRI）在大脑疾病诊断中起着至关重要的作用，本研究提出了一种分层知识增强的预训练框架 UniBrain，用于通用的脑 MRI 诊断，通过构建一种层次对齐机制，利用大规模数据集进行特征学习，取得了比所有最先进的诊断方法更好的性能且与专家放射科医生相媲美的表现。

    Sep, 2023

  • 多任务协作预训练与个体自适应标记微调：大脑表征学习的统一框架

    本研究提出了一种基于 sMRI 数据的新型深度学习框架 MCIAT，通过多任务协同预训练和个体自适应标记微调相结合，以实现高水平的语义表示和大脑诊断性能，对其在多个 sMRI 数据集中进行了评估，并证实了其可解释性。

    Jun, 2023

  • 利用大脑模块性先验进行 fMRI 可解释表征学习

    本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

    Jun, 2023

  • 使用卷积神经网络对磁共振图像模态进行分类

    提出一种基于三维卷积神经网络的磁共振图像对比度分类方法，在多个任务中验证其准确性可达 97.57%。

    Apr, 2018

  • 透视他们的思维：从跨受试者的 fMRI 学习可迁移的神经表达

    我们提出了一种新的方法来解决功能磁共振成像（fMRI）数据稀缺和噪声干扰脑解码模型性能的问题，通过浅层主体特定适配器将跨学科的 fMRI 数据映射到统一的表示中，然后使用共享的深层解码模型将跨学科特征解码为目标特征空间，利用视觉和文本监督进行多模态脑解码的训练，实验证明了我们模型在所有科目中的鲁棒神经表示学习，并且将高级和低级信息相结合可以改善重建度量。

    Mar, 2024

  • 脑电波探幽者：从大脑活动中重构复杂图像

    本文研究了如何通过结合 fMRI 神经活动信号、图像和图像语义描述来重建复杂的图像场景，使用深度学习模型，并且通过采用预先训练的视觉 - 语言潜在空间编码 fMRI 信号来解决数据稀缺的问题。

    Sep, 2022

  • 利用回归模型和 MRI 特征实现强韧的脑龄预测

    本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

    Jun, 2023

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023