该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

Mar, 2024

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

提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。

Oct, 2023

我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

Aug, 2023

该论文提供了对 MRI 中胎儿运动校正的最新进展的全面回顾，涵盖了各种解决这些挑战的现代方法和技术进步，包括传统的 3D 胎儿 MRI 校正方法（如切片到体积注册），基于深度学习的技术（如卷积神经网络，长短期记忆网络，变形器，生成对抗网络）和最新的扩散模型。通过这次文献综述得出的见解反映出对胎儿 MRI 研究中技术细节和实际影响的深入了解，为该领域的潜在解决方案和未来改进提供了合理的观点。

Jan, 2024

产前诊断中，胎儿脑 MRI 成为神经超声的重要补充，通过对妊娠期间胎儿脑发育的基本洞察。本研究提出 FetMRQC，一个开源的机器学习框架，用于自动图像质量评估和质量控制，克服了临床数据异质性引起的领域转移问题。该框架从原始解剖 MRI 中提取一组质量指标，并结合随机森林模型预测专家评分。通过对超过 1600 个手动评级的胎儿脑部 T2 加权图像进行验证，显示 FetMRQC 的预测结果泛化到未知数据，并具有可解释性。FetMRQC 是更稳健的胎儿脑神经影像学研究的一步，有潜力对人脑发育产生新的洞察。

Nov, 2023

本论文提出了一种适用于胎儿脑 MRI 的机器学习框架 FetMRQC，旨在自动评估图像质量，提取多种质量指标用于预测专家评分，并且相较于现有的质量评估指标更具一般化性、可解释性和数据效率，同时释出了一种新型手动质量评估工具。

Apr, 2023

IVIM-morph 是一种自监督深度神经网络模型，用于运动校正的扩散加权磁共振成像数据的定量分析，其将 IVIM 模型参数估计和运动同时进行，展示了在胎儿肺部定量分析中改善胎龄相关性，同时为非侵入性胎儿肺成熟性评估和动态扩散加权成像分析提供了潜在应用。

Jan, 2024

本研究旨在开发一种方法，通过使用已有的具有不完整视野的扩散磁共振成像扫描文件中的缺失切片，来恢复完整视野。实验结果表明，该方法能够改善整个大脑线索成像，修复受损数据，并在分析与阿尔茨海默病相关的组束时减少不确定性。

May, 2024

利用高质量等间隔胎儿脑磁共振体积（以及对应的注释）指导厚层扫描的组织分割，通过域自适应技术实现从高质量等间隔体积到厚层扫描的知识迁移，通过 Fourier 分解提取图像信息和样式编码，最后使用 Cycle-Consistent Domain Adaptation Network（C2DA-Net）在未注释的厚层扫描上进行准确的组织分割。在大规模临床数据集上的广泛实验证明，我们的 C2DA-Net 在定量和定性上都比领先的方法表现出更好的性能。

Aug, 2023