- 用于分割模型训练的下丘脑及其子区域的高分辨率分割
通过使用合成图像构建的标签图,我们提供了一个由高分辨率离体磁共振成像构成的数据集,该数据集可以用于开发使用合成数据的脑结构分割方法。
- 基于神经影像生物标志物的阿尔茨海默病早期预测的人工智能研究述评
通过 AI 技术应用于神经影像数据,潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作 - 掩模引导下的增强型新生儿脑提取与图像预处理的 U-Net
本研究提出了一种名为 MGA-Net 的新型掩膜引导注意力神经网络,旨在对新生儿的大脑成像进行精确处理。MGA-Net 利用高水平的掩膜引导注意力模块,结合磁共振成像(MRI)和超声成像(US)图像,实现大脑提取和重建的卓越性能,为新生儿神 - 深度神经网络在神经影像学中的群体训练动态的光谱分析
通过梯度计算的奇异值分解,我们提出了一种基于神经影像数据的深度学习自省框架,可以实时研究训练动态并分解梯度,进而揭示研究强迫症与对照组之间常见深度学习模型的差异,用于进一步的分析。
- 从组织平面到器官世界:基于深度共同注意网络的多模态生物医学图像配准基准数据集
利用深度学习模型,我们创建了 ATOM 基准数据集,旨在将组织学到器官的配准问题转化为机器学习问题,并提供引领生物医学界的卓越结果。我们的 RegisMCAN 模型的性能展示了深度学习准确预测从整体三维体积中提取的器官图像的子区域所在位置的 - 单试验脑电图类别解码中的示范性表示学习
研究对神经影像学的研究中,通过重复试验的方法对实验进行了分析,发现由于信息泄漏的缘故,一些已发布的模型的真实可推广性可能被夸大了。
- 可解释深度学习在神经影像学中的应用综述
通过对神经影像学应用的可解释性深度学习方法的文献进行系统回顾和评估,本研究发现最受欢迎的可解释性深度学习方法在神经影像数据上可能不太理想,并探讨了该领域的可能未来方向。
- 通过合成数据生成与机器学习应用推进脑功能近红外光谱成像技术
通过合成数据和应用机器学习模型,本研究提出了一种整合方法,用于推进功能性近红外光谱(fNIRS)神经影像学。通过解决高质量神经影像数据的匮乏问题,该研究利用蒙特卡洛模拟和参数头部模型生成了一个全面的合成数据集,反映了各种条件。我们开发了一个 - 高容量脑神经影像异常检测的人工智能:系统综述与荟萃分析
大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证,导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性,并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。
- 使用风格迁移减轻 fMRI 结果中的分析变异
通过使用不同的生成模型,包括扩散模型(DM),将不同功能性磁共振成像(fMRI)管道生成的统计图转换,我们提出了一种新的方法来提高神经影像学结果的可重复性。利用 DM 和无监督的多域图像之间的转换框架,我们通过一个辅助分类器的潜在空间来限制 - 稳健的笔画分割的综合数据
深度学习在神经影像学中的语义分割目前需要高分辨率扫描和大型标注数据集,给临床适用性带来了显著障碍。本文提出了一种新颖的合成框架,用于病灶分割任务,扩展了现有的 SynthSeg 方法的能力,以适应具有大型异质病理的病灶特定增强策略。我们的方 - PIPNet3D:MRI 扫描中阿尔茨海默症的可解释检测
使用神经影像学(CT,MRI)数据以支持痴呆症的诊断,特别是阿尔茨海默病。通过使用深度学习方法自动分析并发现新的图像生物标记,我们提出了一种基于部分原型神经网络(PP-NN)的模型 PIPNet3D,并应用于阿尔茨海默病的临床研究。结果表明 - 探寻视觉脑网络中直接功能连接的本质
通过对 fMRI 时间序列的全面分析探索了不同类型的视觉脑网络 (VBN),其中的图形特征分类结果显示 XGBoost 对于正相关的 VBN 的平均准确率范围为 86.5% 至 91.5%,比负相关的 VBN 高 2%,这不仅体现了每种图像 - 情绪障碍治疗中药物分类和非响应患者的多尺度神经影像特征
通过利用多空间尺度的神经影像特征,尤其是静息状态下的功能网络和功能网络连接度测量,本研究展示了这些特征对于在治疗情绪障碍中识别相关药物类别和非反应者具有丰富且可靠的基础。我们证明了所生成的特征,以及用于快速自动特征选择的新方法,可支持在药物 - TriSAM:用于 VEM 图像零样本皮层血管分割的三平面 SAM
通过引入最大规模的公共基准 BvEM,本研究致力于解决神经影像学领域的重大课题,在体积电子显微镜(VEM)图像中,专门设计用于皮质血管分割。本研究开发了一种名为 TriSAM 的零射的皮质血管分割方法,并基于三种哺乳动物(成年小鼠、猕猴和人 - 在临床异质性和低场便携式 MRI 中量化白质高信号和脑容积
该研究描述了一种能在任意分辨率和对比度(包括低场可移动磁共振成像)的扫描中,无需重新训练即可分割白质高信号和 36 个脑区域的方法,并展示了在多个数据集和高 / 低场扫描的强相关性结果。
- 基于混合乘积专家变分自编码器的多模态神经影像数据规范建模改进
通过采用混合乘积专家(MoPoE)技术,我们提出了一种改进的范式模型,该模型利用多模态神经影像数据对联合潜在后验进行更好的建模,并计算从多模态潜在空间由于阿尔茨海默病(AD)病理而产生的异常偏差。
- 脑形式化:将 MRI 脑功能建模到机器视觉中
通过引入新颖的基于 Transformer 的 Brainformer 方法,分析人类感知系统中 fMRI 模式,并将其作为监督机制应用于机器视觉模型,通过实验证明,在各种图像识别任务中,利用 fMRI 信息可以实现与当前最先进方法相比的潜 - 应用仿真技术对 T2 Flair MR 图像进行采集漂移模拟,压力测试 AI 分割网络
为常规神经影像测试数据提供一种模拟框架,以对抗在临床实践中常见的 T2 加权 FLAIR 磁共振成像协议中常发生的采集漂移,从而对深度分割网络进行 “压力测试”;通过模拟磁共振信号方程的 “采集漂移导数” 来模拟 MR 图像的获取变化,并通 - 多模态对比学习和表格注意力模型在自动化阿尔茨海默病预测中的应用
提出了一种通用的多模态对比学习框架,用于结合图像数据和表格数据,通过新颖的表格注意模块增强和排名表格中突出特征,并应用于阿尔茨海默病预测,实验证明了该框架的有效性。