通过使用自动角度超分辨率从更快的采集中来克服当前长时间的磁共振成像数据得出纤维定向的问题，我们在公开可用的 Human Connectome Project (HCP) DW-MRI 数据上训练了一种基于变压器的深度学习架构，FOD-Swin-Net，能够将来自 32 个方向的单壳重建与 288 个方向的多壳 FOD 重建相媲美，极大地减少了初始采集所需的方向数量。通过与角度相关系数和定性可视化的评估，我们发现重建的 FOD 在 HCP 测试数据中表现优异，高于现有技术水平。

Feb, 2024

我们提出了一种新的基于解剖引导的纤维轨迹分布的颅神经辨识框架，它在颅神经追踪过程中融合了解剖形状先验知识以建立扩散张量向量场；实验结果表明，与竞争方法相比，该方法降低了假阳性纤维的产生，并生成了更符合已知解剖学的重构颅神经（即 II、III、V 和 VII/VIII 颅神经）。

Feb, 2024

本文提出了一种新颖的数据驱动的深度约束球形反卷积方法，用于对重复 DW-MRI 扫描的脑微结构进行更可重复和更健壮的估计，并表明该方法在区分具有不同生物标志物的受试者方面具有更好的表现。

Jun, 2023

我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

Aug, 2023

应用自我监督表示学习的完全数据驱动方法，以 3D-PLI 图像为基础，对神经纤维结构进行特征化。

Jan, 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

本研究使用机器学习分析了纤维束形状特征从而预测非成像表型，发现单独的形状特征预测非成像表型具有较高的准确性，而结合微结构和连接特征可以显著提高预测效果。

Mar, 2023

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

该研究提出了在扩散磁共振成像中，使用参数连续卷积网络进行角度超分辨率，并且在全局坐标和领域特定上下文等方面进行了改进。该方法不仅可以有效降低参数数量，还能够泛化至临床相关的下游分析，如 Fixel 相关分析和神经元方向分散和密度成像。

Jun, 2023

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