Dec, 2023

通过递归变形学习从婴儿脑 MRI 重建具有球面拓扑的皮层表面

PDF
TL;DR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。
cortical surface reconstructionmrispherical mappingdeep learninginfant brain
发现论文，激发创造
  • DeepCSR：一种用于大脑皮层表面重建的三维深度学习方法

    本文提出了一种基于深度学习的 3D 框架 DeepCSR，用于从 MRI 中重建大脑皮层，并在清晰地捕捉皮层折叠的同时，能够高效地重建皮层表面，比 FreeSurfer 和 FastSurfer 更准确更快。

    Oct, 2020

  • 混合 CSR：联结显式和隐式形状表示进行皮层表面重建

    Hybrid-CSR 是一种几何深度学习模型，它结合了显式和隐式形状表示，用于皮质表面重建。该方法统一了显式和隐式皮质表面重建，通过优化改进的网格变形模块进行端到端训练，以捕捉详细结构并解决拓扑缺陷，以达到更准确、规则和一致的数字测量结果。

    Jul, 2023

  • Vox2Cortex: 基于几何深度神经网络的 3D MRI 扫描皮层表面快速显式重构

    本论文提出了一种名为 Vox2Cortex 的基于深度学习的算法，直接从 MRI 扫描中提取顶部正确且三维网格化的大脑皮层界面，相较于传统和基于深度学习的算法更快速、更精准。

    Mar, 2022

  • 基于模板的 MRI 皮层表面重建的神经变形场

    Vox2Cortex-Flow 是一种深度网格变形技术，通过学习从大脑模板到磁共振成像扫描的皮层表面的变形场，实现皮层表面的重建，并能与白质和脑膜表面共同建模。该方法在重建精度上达到了最先进水平，并提供了皮层厚度的分区和群体分析所需的一致对应关系。

    Jan, 2024

  • 基于球面 U-Net 的大脑皮层表面分割：方法和应用

    本文提出了一种基于球面卷积神经网络的方法，用于解决医学成像等领域中的结构具有球面拓扑结构的问题，应用于婴儿大脑皮层分割和皮层特征图开发预测等神经科学任务，效果显著。

    Apr, 2019

  • PialNN：用于皮层 Pial 表面重建的快速深度学习框架

    介绍了 Pial 神经网络，一种三维深度学习框架，用于皮质表面重建，可以捕捉皮质表面多尺度 MRI 信息，并在一个秒内重建包含 150k 顶点的皮质表面网格，相较于现有的深度学习方法，PialNN 减少了预测皮质表面的几何误差 30%。

    Sep, 2021

  • V2C-Long：带时空对应的纵向皮层重建

    使用深度学习方法的 V2C-Long 重建了长期 MRI 上的皮层表面，并且通过建立强大的时空对应关系，提高了对阿尔茨海默病中区域性皮质萎缩的敏感性。

    Feb, 2024

  • 大规模神经影像学研究中，异质性临床脑 MRI 扫描的皮质分析

    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

  • 随机皮层自重建

    磁共振成像（MRI）对诊断神经退行性疾病至关重要，然而准确评估轻度皮质萎缩仍然是一个挑战，因为其细微性质。我们介绍了随机皮质自重建（SCSR）的概念，通过使用 MRI 获得的厚度作为输入来创建一个个体特异的健康参考，并隐式考虑潜在的混淆因素。我们呈现了这个概念的三个实现：XGBoost 应用于分块，以及两个基于顶点级的自编码器 - 一个基于多层感知机，另一个是使用球面 U-Net。这些模型对来自英国生物库的健康个体进行了训练，随后在四个公共阿尔茨海默病数据集上进行了评估。最后，我们将该模型部署到临床自有数据上，在区分四种类型的痴呆症方面，偏离图的高空间分辨率有所帮助。

    Mar, 2024

  • 广义覆盖下的曲面网络

    本研究通过开发一种新的表面到图像表示方法，成功地在几何数据分析中应用了卷积神经网络，以达到在形状检索、形状分类和语义形状分割等任务上取得了最先进的结果或相当的结果的目标。

    Dec, 2018