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

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。

Jan, 2024

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

本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

Oct, 2017

我们提出了一种新的基于解剖引导的纤维轨迹分布的颅神经辨识框架，它在颅神经追踪过程中融合了解剖形状先验知识以建立扩散张量向量场；实验结果表明，与竞争方法相比，该方法降低了假阳性纤维的产生，并生成了更符合已知解剖学的重构颅神经（即 II、III、V 和 VII/VIII 颅神经）。

Feb, 2024

提出一种半自动熵基主动学习方法，通过很少的标注样本，快速直观地从数百万条流线的全脑道路图中分割出白质束，能够在肿瘤病例中实现与正常状况相当的分割效果（dice=0.71），而平均分割时间也比传统基于感兴趣区域的方法更短。

May, 2023

使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。

Oct, 2023

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

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

本研究探索使用六种广泛使用的径路追踪方法重建 CST 及其身体拓扑组织的性能，并使用扩散 MRI 数据进行实验评估各方法的优点和局限性。研究发现，目前的径路追踪方法已经取得了进展，但在包括手和脸区域的侧部重要投射和包括腿区域在内的临床重要投射的全面 CST 重建方面仍存在重要挑战。

Jun, 2023