diffusion-weighted magnetic resonance imaging
PulseAugur coverage of diffusion-weighted magnetic resonance imaging — every cluster mentioning diffusion-weighted magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
BrainFIBRE：用于大脑微观结构分析的新基础模型
研究人员推出 BrainFIBRE，这是一种新颖的基础模型，用于利用扩散加权磁共振成像 (dMRI) 数据分析大脑微观结构。该模型利用自监督部分信息分解技术 (SPID) 和混合专家架构，从不同的 dMRI 衍生图谱中分离出独特、协同和冗余的信息。BrainFIBRE 在超过 55,000 名 UK Biobank 参与者的数据上进行了预训练，在预测各种健康标记物和认知能力方面表现出最先进的性能，同时还提供了神经生物学上可解释的表征。
-
AI为大脑通路分析生成合成组织学数据，速度更快 · 跟踪2个来源
研究人员开发了一种新颖的框架，用于猕猴示踪剂组织学中的自动纤维束分割，利用从扩散MRI（dMRI）牵引图生成的合成数据。该方法合成2D图像块来训练2D U-Net模型，将真实的foreground纹理与来自blockface照片的背景组合，并采用域随机化进行多样化。实验表明，与仅使用真实数据训练相比，该方法提高了不同大脑和纤维束密度的泛化能力，达到了最先进的性能，同时所需的手动注释数据减少了三分之二。
-
新的少样本学习方法提升前列腺MRI质量评估
研究人员开发了一种新颖的少样本学习方法，用于评估双参数MRI扫描的质量，特别侧重于前列腺成像。他们的方法利用双分支3D ResNet融合T2加权和扩散加权成像（DWI）特征，帮助区分真实的解剖结构与畸变伪影。通过结合特征级线性调制和梯度反转层，该系统可以适应b值变化并抑制采集偏差。所提出的框架在现有的少样本学习基线之上显示出显著的改进，为标准化临床工作流程中的前列腺MRI质量控制提供了一种数据高效的解决方案。
-
少样本MRI质量评估模型采用双分支网络
研究人员开发了一种用于自动MRI质量评估的少样本学习方法，特别关注前列腺成像。他们的方法使用双分支网络融合T2加权和扩散加权成像（DWI）特征，并结合特征级线性调制和梯度反转层等技术来处理b值和采集偏差的变化。该模型经过训练，仅用少量样本即可预测复杂的临床质量分数，与基线方法相比性能有所提高，并为临床工作流程提供了数据高效的解决方案。
-
Tractogram foundation model 学习大脑通路表征
研究人员开发了 TractFM，一个新颖的 foundation model，旨在直接从扩散 MRI 纤维束图 (tractograms) 中学习表征。该模型独特地结合了局部流线编码器和排列等变纤维束图编码器，使其能够同时处理来自受试者的所有流线。通过在解剖分区上进行预训练，TractFM 为单个流线和紧凑的受试者级别描述符生成可重用嵌入。该模型展示了强大的泛化能力，在不同的纤维束追踪算法和数据集上实现了准确的纤维束分区，并预测了年龄…
-
AI噪声合成改善MRI微观结构估计
研究人员开发了一个逼真的噪声合成（RNS）框架，以提高扩散MRI中微观结构估计的准确性。该方法解决了机器学习模型在模拟数据上训练时遇到真实MRI扫描中不同噪声特性时引入的偏差。通过将瑞西期望和有效后处理噪声方差纳入模拟训练数据，RNS显著减少了参数偏差，尤其是在低信噪比（SNR）条件下。
-
新的强化学习方法提高了脑白质纤维追踪的准确性
研究人员探索了用于脑白质重建的TractOracle-RL框架的扩展，该框架使用扩散MRI。通过整合强化学习的进展并纳入解剖学先验，这些方法旨在减少假阳性并提高准确性。引入了一种新颖的训练方案，即迭代奖励训练（IRT），该方案受RLHF的启发但使用束过滤，并在各种数据集上显著提高了纤维追踪的准确性和解剖学有效性。
-
新的无监督框架模拟MRI数据变异性
研究人员开发了一种新的无监督框架，用于分析扩散MRI数据中的结构连接组。该方法使用具有架构退火的混合潜在空间模型，将生物变异与采集相关的效应（如扫描仪和协议差异）分离开来。该框架在一个包含7000多个连接组的大型数据集上进行了评估，并证明在识别特定位点变异性方面优于现有方法。
-
NeuroAgent 使用大语言模型代理自动化神经影像分析与研究
研究人员开发了 NeuroAgent，这是一个由大语言模型驱动的框架，旨在自动化多模态神经影像数据的复杂预处理和分析。该系统利用分层多代理架构来生成、执行和验证各种影像类型（如 sMRI、fMRI、dMRI 和 PET）的代码。在大规模数据集上的评估表明，NeuroAgent 能够显著减少人工工作量，并实现端到端的自动化流程，在意图解析和预处理正确性方面达到高精度，其中最强的后端正确率达到 84.8%。
-
新框架利用生成式配准和合成技术对齐 MRI 模态
研究人员开发了一种新颖的无监督框架，用于对齐扩散 MRI (dMRI) 与 T1 加权 (T1w) MRI 图像。该方法利用生成式配准网络，通过合成类 T1w 对比度图像将跨模态配准问题转化为单模态问题。该框架联合优化局部结构相似性和跨模态统计依赖性，以提高形变估计精度，并在实验中优于现有的最先进方法。
-
新AI从单视图重建高分辨率dMRI
研究人员开发了一种自监督空间-角度隐式神经表示（SA-INR）来加速扩散MRI（dMRI）扫描。这种新方法可以从每个扩散方向的单个视图重建高分辨率dMRI，显著缩短扫描时间。SA-INR框架不仅实现了精确的空间超分辨率，还能够零样本合成未见的b方向，提高了下游建模的定量准确性。
-
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。