利用基于注意力机制的深度学习模型结合多视图MRI图像, 可以精确预测胎儿的孕周, 在收集了 125~273 天多年龄段的胎儿脑MRI数据集的基础上, R2 值达到了 0.94。

Dec, 2018

本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用VAE和神经网络回归器的联合正则化可以更精确地预测MR图像的年龄，实现了对人脑结构发育规律的直观解释。

Apr, 2019

该文提出了一种名为“可解释的几何深度网络”的端到端学习方法，用于在高维数据中实现精细的可解释性，例如神经成像和神经科学研究。该方法采用学习解释性因素来增强鉴别性表示提取，以实现可解释的预测和分类结果。

Jan, 2023

该研究介绍了一种新的人工智能应用于胎儿脑功能磁共振成像 (fMRI) 的大脑分割自动化方法，并对不同 AI 模型在胎儿 fMRI 大脑分割中的性能进行了评估和分析。

Nov, 2023

本研究提出了一个深度学习框架，通过准保角映射将三维球面网格投影到二维平面上，利用残差神经网络和对比学习进行个体识别，发现在胎儿脑中存在形态指纹，其中感觉运动皮层和视觉皮层是最具贡献的区域，纹理形态学在识别个体方面的能力优于皮层厚度，这对于理解大脑早期发育中个体独特性的形成具有重要意义。

Nov, 2023

利用深度学习模型从有限扩散磁共振成像数据中估计组织微结构已取得很好的效果，但是在测试和训练数据来自不同扫描仪、协议，或者应用于具有固有变化的婴儿和儿童不断发展的大脑时，这些模型面临着领域转移挑战。我们在201名新生儿和165名婴儿的两个不同群体之间广泛研究了年龄效应和领域转移，使用矩方法和微调策略。我们的结果显示，与新生儿相比，婴儿的微结构发展变化较小，直接影响深度学习模型的跨年龄表现。我们还证明，少量目标域样本可以显著减轻领域转移问题。

Dec, 2023

基于数据驱动的评估方法，通过提取婴儿的运动模式和应用图卷积网络，达到对婴儿神经发育的实际年龄预测，并提高了传统基于手动设计特征的机器学习基准。

Feb, 2024

我们引入了一种条件隐式神经图谱 (CINA)，用于从正常和病理性胎儿脑的磁共振图像 (MRI) 中生成时空图谱，完全不依赖于仿射或非刚性配准。CINA 在训练过程中学习了胎儿大脑的普遍表示，并将个体特定信息编码为潜在代码。在训练完毕后，CINA 可以构建一个忠实的图谱，其中包含任何妊娠时期和训练领域内涵盖的解剖变异的胎儿大脑的组织概率图。因此，CINA 能够表示正常和病理性大脑。此外，训练完的 CINA 模型可通过对潜在代码进行测试时优化，适应未见过的被试的脑 MRI。然后，CINA 可以生成适用于特定被试的概率组织图。我们在来自 dHCP 和 FeTA 数据集的共 198 例正常和异常胎儿大脑的磁共振图像上评估了我们的方法。我们展示了 CINA 表示胎儿大脑图谱的能力，该图谱可以在妊娠时期和脑解剖变异（如脑室容积或皮质折叠程度）上灵活进行条件。这使得它成为对正常和病理性大脑建模的合适工具。我们通过组织分割和年龄预测来量化我们图谱的准确性，并将其与现有基线进行比较。CINA 在正常大脑和脑室扩大的病理性大脑方面表现出更高的准确性。此外，CINA 在胎儿大脑年龄预测中得分的平均绝对误差为 0.23 周，进一步证实了胎儿大脑发育的准确表示。

Mar, 2024

提出了一种基于长期一致性指导的扩散模型 (LoCI-DiffCom) 用于完成缺失的婴儿脑图像数据，该模型在高度稀疏的序列中工作，仅依赖于两个时间点的数据，并表现出良好的性能，有助于更好地描绘早期发育轨迹。

May, 2024

本研究针对6个月婴儿大脑组织自动分割的挑战，提出了一种创新的8种组织分割管道。通过结合领域适应技术和注意力U-Net方法，我们的管道实现了高精度分割，DICE得分达0.92，显著推动了对婴幼儿神经发育状况的研究和临床应用。

Aug, 2024