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

本文提出了一种基于脑白质纤维束连接信息对个体大脑皮层进行完整分区的混合方法，分为五个步骤，最终输出不同皮层的子区分标签。在功能分化、功能整合和小世界等方面，经过测试得出其效果良好。

Feb, 2020

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

考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构-功能连接融合（HSCF）模型，并在ADNI数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构-功能连接并识别认知疾病的异常大脑连接。

Jun, 2023

本研究提出了第一个对脑部功能连接轨迹进行嵌入的可解释框架，即脑部 TokenGT，该方法在神经变性疾病诊断和预后方面的表现优于所有其他基准模型，同时提供了出色的可解释性。

Jul, 2023

我们提出了一种基于几何深度学习的框架TractGeoNet，用于使用扩散磁共振成像（dMRI）束索术和相关点微结构测量进行回归。该方法利用点云表示，直接利用纤维束内所有点的点微结构和位置信息。为改善回归性能，我们提出了一种新的损失函数Paired-Siamese Regression loss，鼓励模型关注准确预测回归标签得分之间的相对差异，而不仅仅是绝对值。此外，我们提出了一种关键区域定位算法，用于识别白质纤维束内高度预测的解剖区域。通过使用来自人体连接组项目中806位受试者的20个关联白质纤维束的数据集，我们评估了所提方法的有效性，并证明了TractGeoNet相对于几种常见回归模型具有优越的预测性能。我们发现，在所研究的二十个纤维束中，左弓状束是两个语言性能评估中最具预测性的。定位的关键区域广泛分布于两个半球和所有大脑叶，包括被认为对语言功能重要的脑区，如颞叶上和前部区域、操作小叶和顶前回。总体而言，TractGeoNet展示了几何深度学习增强研究大脑白质纤维束并将其结构与人类特征（如语言性能）相关的潜力。

Jul, 2023

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

通过TractGraphFormer模型，利用局部解剖特征和全局特征依赖相结合的方式，提升弥散磁共振成像（diffusion MRI）的机器学习预测性能，揭示了大脑的白质连接与非成像表型之间的关系。

Jul, 2024

该研究针对多模态神经影像学中的异质性问题，提出了一种结合fMRI、DTI和sMRI的综合分析框架。通过权重差异化的神经连接掩膜策略，该方法提升了多模态影像数据的解释性，显著提高了预测准确性，揭示了关键的解剖特征和重要的神经连接，增进了对大脑结构与功能的理解。

Aug, 2024

本研究针对从功能性磁共振成像(fMRI)数据重建3D视觉图像的需求，提出fMRI-3D数据集，包含来自15名参与者的4768个3D对象。通过引入MinD-3D框架，本研究不仅提升了重建效果的语义和空间准确性，还为理解人脑如何处理3D视觉信息提供了新的视角。

Sep, 2024