本文研究将脑部对称性编码进神经网络，用于脑肿瘤分割任务。我们提出了一种方法将脑部对称性编码进现有神经网络，并将该方法应用于医学成像分割的最新神经网络。通过在脑肿瘤分割挑战赛数据集上验证，我们证实了新模型比原模型更加高效地提取训练图像信息。

Nov, 2017

提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

Oct, 2020

通过异常检测和表征学习，使用孪生架构将大脑结构的左右半球分割映射到正常非对称嵌入空间中，以量化未见过的样本对中心的嵌入距离，为研究正常大脑非对称性和神经变性疾病的诊断提出了一种新颖的方法。

Jun, 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

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

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

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。

Mar, 2024

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

小儿脑和脊髓癌是儿童癌症相关死亡的主要原因。通过临床决策支持，在小儿神经肿瘤学中利用收集的丰富放射学成像数据，与其他领域相比，然而显著滞后。因此，我们提供了一种多机构、大规模的小儿数据集，包括 23,101 个经过例行护理收集的多参数 MRI 检查，适用于 1,526 名脑肿瘤患者，作为儿童脑肿瘤网络的一部分。这包括对各种癌症诊断的纵向 MRI，以及相关的临床患者信息、数字病理学切片以及组织基因型和组学数据。通过连续构建这些成像存储库的努力，我们的目标是加速发现和翻译 AI 模型，并利用实际数据赋予儿童精准医学能力。

Oct, 2023