Jan, 2024

利用机器学习的扩散磁共振成像

PDF
TL;DR扩散加权磁共振成像（dMRI）提供了非侵入性评估大脑微结构和结构连接的独特能力。然而，分析 dMRI 数据以提取临床和科学目的的有用信息具有挑战性，而机器学习方法在解决 dMRI 分析中的困难任务方面可能具有潜力。然而，为了实现这一点，需要解决现有方法的缺陷和重要未解决问题，包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。
diffusion-weighted magnetic resonance imagingdmri analysismachine learning methodsmicro-structure mappingwhite matter tract analysis
发现论文，激发创造
  • 胎儿大脑的解剖学束追踪

    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

  • 扩散 MRI 中大脑白质束的直接分割

    提出一种基于深度学习方法直接从扩散 MRI 数据中分割出大脑白质道的新方法，克服了现有方法因中间计算所带来的误差，并且相较于现有技术，该方法具有更好的泛化能力并可用于多种临床和研究应用。

    Jul, 2023

  • Patch2Self: 自监督学习去噪扩散 MRI

    本文介绍了一种自主学习方法 Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

    Nov, 2020

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • 基于物理学的加速扩散加权 MRI 推断骨骼肌微结构

    提出了一种基于物理和机器学习的框架，采用扩散加权 MRI 对骨骼肌进行非侵入性评估，从而准确地估计微结构组织。该算法可用于评估骨骼肌健康和功能，有望成为一种有前途的非侵入性工具。

    Jun, 2023

  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • 用残差学习从白质扩散度预测年龄

    利用微结构特征和非宏观结构特征，开发基于白质特定的年龄估计方法，成功捕捉异常的白质年龄化现象。

    Nov, 2023

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • TBSS++: 一种新的基于轨迹的空间统计计算方法

    提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

    Jul, 2023

  • MRI 数据处理的机器学习技术在不断扩展的规模下的应用

    医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。

    Apr, 2024