diffusion tensor imaging
PulseAugur coverage of diffusion tensor imaging — every cluster mentioning diffusion tensor imaging across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
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…
-
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。
-
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。