提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

Jun, 2018

通过构建 FlyTracing 数据集和引入连接感知对比学习方法，本研究旨在降低人工工作量，减少电子显微镜数据中自动图像分割后的人工校对过程，并提出了一种有效的自动神经追踪方法。

Jan, 2024

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023

本文提出了不同的多视角架构用于视觉领域，并介绍了一种解释这些模型的方法。通过实验结果，展示了准确架构选择对于泡沫样本质量分类的改善，并呈现了性能和可解释性之间的权衡。具体而言，我们证明了我们的方法能够解释单个单视角模型，从而增强了整体多视图模型的可解释性。

Aug, 2023

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

我们提出了一种新的方法来量化脑组织的微观结构，该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比，我们的系统基于可解释特征而不是灰度值来做决策，并且可以准确地定位和识别现有的脑结构，从而有助于连接组学研究和脑电路的逆向工程。

Apr, 2024

我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在 ADNI 队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

Oct, 2020

本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

Oct, 2016

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019