Jun, 2024

用于分割模型训练的下丘脑及其子区域的高分辨率分割

PDF
TL;DR通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。
发现论文，激发创造
  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • H-SynEx：使用合成图像和超高分辨率体外 MRI 进行下丘脑亚区分割

    开发了一种基于超高分辨率离体磁共振成像（MRI）的下丘脑亚区自动分割方法，可跨 MRI 序列和分辨率进行普适化，无需重新训练。

    Jan, 2024

  • FastSurfer-HypVINN: 高分辨率脑 MRI 中下丘脑及邻近结构的自动子分割

    我们提出了一种名为 HypVINN 的新型、快速、全自动的深度学习方法，用于对 0.8 毫米等效的 T1w 和 T2w 脑 MR 图像进行下丘脑及邻近结构的子分割，具有较高的分割性能和广泛的适应性。

    Aug, 2023

  • 神经退行性疾病的超高分辨率激活态 MRI 的基于表面的分区和顶点分析

    介绍了一种新的方法来研究脑结构，使用 ex vivo 磁共振成像技术对阿尔茨海默病及相关痴呆的 82 个样本进行了超高分辨率分析，并将形态计量学与组织学病理学数据进行关联。

    Mar, 2024

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • DeepThalamus: 从多模态超高分辨率 MRI 自动分割脑丘核的新颖深度学习方法

    本研究设计并实现了一个多模态体积深度神经网络，用于超高分辨率（0.125 mm3）下丘脑核的分割，并与其他方法进行了比较，在分割质量和效率方面表现出竞争力。

    Jan, 2024

  • 应用深度神经网络进行解剖学脑分割

    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

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • SHARM：头部分段解剖参考模型

    通过使用卷积神经网络结构 ForkNet + 对 196 个被试进行了开放获取的分段头部解剖参考模型（SHARM）的生成，在年龄尺度上，结果表明不同组织分布的统计特征与实际测量结果具有高度一致性，SHARM 预计不仅对电磁剂量测定研究，而且对不同的头部分割应用都有重要参考价值。

    Sep, 2023

  • 联合结构和扩散 MRI 进行丘脑核的领域不可知分割

    该研究提出了一种使用卷积神经网络（CNN）从任意分辨率的 T1 和扩散数据中区分丘脑核的方法，该方法基于一种公共组织学图谱和高质量扩散数据的银标准分割工具，并可应用于不同来源的数据集。

    May, 2023