使用机器学习简化胎儿脑部的轨迹描绘
提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库,覆盖20至33周的不同孕龄和7个不同的组织类别,以及对多种自动多组织分割算法准确性的量化评估。
Oct, 2020
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
使用大规模注释数据集,结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强,开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。
Oct, 2023
扩散加权磁共振成像(dMRI)提供了非侵入性评估大脑微结构和结构连接的独特能力。然而,分析dMRI数据以提取临床和科学目的的有用信息具有挑战性,而机器学习方法在解决dMRI分析中的困难任务方面可能具有潜力。然而,为了实现这一点,需要解决现有方法的缺陷和重要未解决问题,包括评估实践不足、缺乏丰富的训练数据集和验证基准以及模型的普适性、可靠性和解释性方面的问题。
Jan, 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
HAITCH是第一个也是唯一一个公开可用的工具,用于纠正和重建多壳高角分辨率的胎儿弥散磁共振成像数据,能够消除伪迹并重建适用于高级扩散建模的胎儿dMRI数据,为在具有挑战性的成像条件下更可靠地分析胎儿大脑微结构和胼胝体成像铺平了道路。
Jun, 2024
本研究针对新生儿大脑纤维方向分布的估计中存在的真实标注不足问题,提出了一种新颖的方法,比较了多壳多组织约束球形反卷积(MSMT-CSD)和单壳三组织约束球形反卷积(SS3T-CSD)的效果。研究发现,SS3T-CSD在新生儿大脑成像中表现出更高的准确性,能够在不同年龄组之间保持良好的性能,具有重要的临床应用潜力。
Sep, 2024
本研究解决了脑扩散张量成像(DTI)依赖于高梯度方向的可靠性问题,提出了一种名为DirGeo-DTI的深度学习方法,仅使用最小的梯度方向数(6个)即可有效估计DTI指标。该方法通过方向编码和几何约束提升了训练效果,实验结果显示其性能优于现有的DTI增强方法,具有通过常规临床DWI扫描揭示更多临床见解的潜力。
Sep, 2024
本研究解决了临床扩散加权成像(DWI)中扩散张量成像(DTI)指标可靠性的问题,提出了一种名为DirGeo-DTI的深度学习方法,通过方向编码和几何约束,实现了在最小理论梯度方向(6个)的情况下估计可靠的DTI指标。实验结果表明,该方法相比现有技术表现优异,具有在常规临床DWI扫描中揭示更深入临床见解的潜力。
Sep, 2024