通过对ADNI海马MRI数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的“堆叠的2D”方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的“三平面”方法，发现它提供了比2D方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

May, 2015

本研究针对MRI中的次皮质脑结构分割，提出了一种3D全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

Dec, 2016

本文将深度学习技术应用于海马分割任务，提出了一种新的分层反馈链网络，通过分层特征聚合反馈链学习每个编码器层的更深更广的特征表示，并通过特征交接注意模块实现特征选择和反馈。在特征编码器和解码器之间嵌入了全局金字塔注意单元，包括实现相邻注意交互的成对金字塔注意模块和捕捉长程知识的全局上下文建模模块。与现有的海马分割方法相比，在三个公开数据集上，所提出的方法实现了最先进的性能。

Nov, 2022

本文提出了一种基于ANN-SNN转换和基于脉冲的反向传播的混合SNN训练方案，并将其应用于磁共振图像中人类海马的分割。与转换和直接训练方案相比，我们的方法在分割准确度和训练效率方面具有优势。实验证明了我们模型的有效性。

Feb, 2023

提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准U-Net的性能改善。

Dec, 2023

本文介绍了Conv-LoRA，这是一种简单而有效的参数高效微调方法，它将超轻量级的卷积参数集成到Low-Rank Adaptation (LoRA) 中，进一步加强了Segment Anything Model (SAM) 的局部先验假设，并在实验中展现了在真实世界语义分割任务中适应SAM的优势。

Jan, 2024

本研究通过使用图变分自编码器和有监督对比学习的方法，对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究，以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估，我们的有监督分离模型在离散度分数方面优于其他先进方法，对多发性硬化症（MS）患者的年龄组和疾病状态进行了区分，并显示了不同年龄下 MS 人群海马体积变化的结果，与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。

Mar, 2024

LoRA-GA通过引入一种新的初始化方法，即梯度近似初始化（Low Rank Adaptation with Gradient Approximation），能够在保持效率和性能的同时达到与完全微调相当的收敛速度，进而显著提高模型性能和收敛速度。

Jul, 2024

本研究解决了医学图像合成中的数据标注稀缺和缺失模态合成问题，提出了自扩展低秩适应模块（SeLoRA），该模块动态调整不同层的低秩排名，从而提高医学图像合成的质量。研究表明，通过在关键层上增加排名，SeLoRA能够有效优化潜在扩散模型的图像合成质量，具有重要的实际应用价值。

Aug, 2024

本研究解决了深度学习在医学图像分割中的数据和计算资源不足的问题。我们提出了一种新颖的参数高效微调策略HyPS，充分利用预训练模型的知识结构。在海马分割和阿尔茨海默病诊断中，HyPS显示出了优越的分类准确率，尤其在样本有限的情况下，预示着其在医学影像分析中的潜力。

Sep, 2024