Jan, 2024

自我监督表示学习在 3D-PLI 中用于神经纤维分布模式的研究

PDF
TL;DR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。
organizational principlesnerve fiber architecture3d-pliself-supervised representation learninghistological brain sections
发现论文，激发创造
  • 应用对比学习和几何展开的 3D-PLI 技术分析人类海马区的区域组织

    我们通过将展开方法的最新进展与使用自我监督对比学习方法获得的深度纹理特征相结合，展示了一种新的方法来分析人类海马体在 3D-PLI 中的区域组织，我们的表示中的聚类与海马体亚区的经典描述相对应，证明了所开发的方法的有效性。

    Feb, 2024

  • 学习空间连续的纤维定向函数

    我们提出了一种新的方法 FENRI，该方法通过学习低分辨率扩散加权图像中的连续空间纤维方向密度函数，准确预测来自现实低质量数据的高分辨率纤维方向，并提供比三线性插值更好的流线重建效果。

    Dec, 2023

  • 三维纳米级集成电路成像的深度自监督 ptycho-laminography 加速技术

    本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

    Apr, 2023

  • 医学影像的 3D 自监督方法

    本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

    Jun, 2020

  • 自监督特征提取在三维轴突分割中的应用

    本文提出了一种基于自监督辅助任务的神经网络方法，可以自动追踪拟束状物结构在 3D 脑成像中的分支，从而实现对亚细胞级别下轴突的自动分割和分析。

    Apr, 2020

  • 眼科图像的容错聚类引导对比嵌入学习

    本文提出了一种名称为 EyeLearn 的无监督学习框架，该框架采用聚类引导的对比学习策略，可以从眼科图像中学习最优特征表示，以进行视野预测和青光眼检测。

    Sep, 2022

  • 注意力去稀疏化的重要性：在数字病理学表示学习中诱导多样性

    我们提出了 DiRL，一种多样性诱导的组织病理学成像表示学习技术。通过细胞分割密集提取多个组织病理学特定表示，并提出了一种先验引导的密集预训练任务，以匹配视图之间的多个对应表示。通过定量和定性分析肿瘤类型任务的多个任务，我们证明了我们方法的有效性，并观察到注意力更加全局分布。

    Sep, 2023

  • 分层复杂匹配学习产生了一个更好的 V2 皮层模型

    通过在连续层上独立进行自我监督训练的自底向上方法，我们使两阶段的模型更好地与灵长类动物的 V2 区域神经活动一致，提高了对于识别对象和与人类行为相一致的一致性。

    Dec, 2023

  • 使用三维先验增强二维表示学习

    通过在训练过程中直接强制将强大的三维结构先验性知识融入模型，我们提出了一种新的方法来加强现有的自监督学习方法，并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。

    Jun, 2024

  • 纤维束形状测量用于预测非成像表型

    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