使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

Apr, 2017

本文提出非局部U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

Dec, 2018

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

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿MRI分析中提高准确度和可重复性的重要工具。

Mar, 2022

本文介绍了一种名为MAPSeg的新颖框架，它利用3D遮掩自动编码和遮掩伪标签来跨越年龄、模态和场所进行婴儿大脑MRI次皮质区域的分割，该模型能够从标记源域数据和未标记目标域数据中进行联合学习。MAPSeg在不同年龄、模态或获取场所的分割皮层区域任务中，始终优于其他方法。

Mar, 2023

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

准确分割点状白质病变是相关发育障碍的及时诊断和治疗的基础，本文提出了一种结合反事实推理和脑组织分割辅助任务的深度学习框架（DeepPWML），通过学习点状白质病变的细粒度定位和形态学表示来实现精确的定位和分割。

Sep, 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

FetalSynthSeg是一种基于SynthSeg的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。

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