PulseAugur
中
实时 08:31:57
实体 diffusion tensor imaging

diffusion tensor imaging

PulseAugur coverage of diffusion tensor imaging — every cluster mentioning diffusion tensor imaging across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 7
层级分布 · 90 天
主题
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_342667 ·

    新的Fréchet回归框架处理非欧几里得空间

    研究人员开发了一个新的Fréchet回归框架,这是一种用于对一般度量空间中的协变量和响应变量之间的关系进行建模的方法。这项工作特别解决了在非欧几里得空间中计算条件对应物的挑战,这些挑战通常会导致非凸优化问题。该研究为最小化器的存在提供了条件,并表征了优化景观,在这些条件下证明了局部最大值的缺失。此外,还提出了一种无投影算法用于近似计算,以及一种用于大规模应用的随机重构。这些方法已在生物网络和扩散张量成像问题上得到验证。

  2. TOOL · CL_325058 ·

    旋转等变深度学习改进大脑年龄预测

    研究人员开发了一个新颖的框架,利用捕捉白质纤维方向分布的弥散 MRI 数据来预测大脑年龄。该方法采用了一种旋转等变卷积神经网络 (CNN),该网络处理纤维方向分布的球谐系数,保留其几何特性。在一项对 692 名参与者的研究中,该方法与传统的弥散张量成像 (DTI) 模型和传统 CNN 相比,表现更优越,平均绝对误差为 3.54 岁,Pearson 相关系数为 0.958。该研究还确定了对年龄预测最敏感的特定白质束,提供了解剖学上的可解释性。

  3. TOOL · CL_212000 ·

    新的贝叶斯学习框架追踪阿尔茨海默病进展

    研究人员开发了一个名为疾病连续谱定位(DCP)的新框架,该框架使用纵向贝叶斯学习从弥散张量成像(DTI)数据中估算阿尔茨海默病的连续进展。该方法推导出疾病连续谱得分(DCS)来量化个体在疾病谱上的位置,包括不确定性。在阿尔茨海默病神经影像倡议(ADNI)队列上的实验表明,DCP在准确性和临床相关性方面优于现有方法,能有效表征疾病严重程度并预测未来转化。

  4. TOOL · CL_180579 ·

    扩散张量成像可视化LLM信息流

    研究人员开发了一种新颖的方法,使用扩散张量成像(DTI)来可视化大型语言模型(LLMs)中词嵌入的信息流。该技术超越了分析孤立的单词,而是检查整个自然语言表达,揭示了嵌入空间表示如何在令牌之间变化。DTI方法为LLM的可解释性提供了新的见解,并可能识别出用于模型剪枝的未充分利用的层。

  5. RESEARCH · CL_109653 ·

    TensorLDM:扩散模型提升DTI重建精度

    研究人员开发了TensorLDM,一种新颖的、分量式的潜在扩散模型,用于从稀疏的扩散加权成像(DWI)中进行体积弥散张量成像(DTI)重建。该模型解决了当前深度学习方法在产生解剖学上不一致或物理上不合理的张量方面的局限性。TensorLDM利用特定组的编码器、解剖学条件自编码器和跨分量注意力机制来模拟分量间的依赖关系并确保解剖学上的一致性。在人类连接组项目数据集上进行测试,TensorLDM在下游纤维追踪和张量重建方面表现出卓越的准确…

  6. TOOL · CL_98121 ·

    新框架Artemis解决神经影像中的人口统计学混淆因素

    研究人员开发了Artemis,一个新颖的区域级因果框架,旨在消除多模态神经影像数据中的人口统计学混淆因素。该框架整合了功能性磁共振成像(fMRI)和弥散张量成像(DTI)数据,利用图神经网络(GNNs)分析大脑网络。Artemis解决了年龄和性别系统性影响连接模式的问题,这可能误导GNNs。通过学习区域特定的混淆因素表示,该系统允许在每个大脑区域独立进行因果干预,从而提高神经影像分析的准确性和可解释性。

  7. RESEARCH · CL_15521 ·

    人工智能从单视图重建高分辨率扩散MRI,加速扫描

    研究人员开发了一种自监督空间-角度隐式神经表示(SA-INR),用于从更少的旋转视图中重建高分辨率扩散MRI(dMRI)。该方法是一种以结构先验和扩散方向为条件的MLP,通过从每个扩散方向的单视图重建dMRI,实现了显著的加速。该框架不仅实现了空间超分辨率,还通过学习连续的q空间表示实现了零样本角度超分辨率。这种方法提高了下游DTI模型拟合的定量准确性,并绕过了传统采样限制,实现了更快的高分辨率dMRI。