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
-
AI平台将MR-Linac DWI处理与专家评级临床解读相结合
研究人员开发了一个用于处理和解读MR引导放疗弥散加权成像（DWI）数据的集成平台。该平台利用深度学习管线进行图像校正和分析，并结合了检索增强生成（RAG）代理。该RAG代理通过参考精选的出版物知识库来综合临床解读，其在临床推理、引用质量和整体效用方面的表现获得了医学专家的 क्षार评。
-
新型生成模型提升前列腺MRI质量和重建效果
研究人员开发了MSCNet，这是一种新颖的跨模态生成模型，旨在重建缺失或改善退化的前列腺MRI序列。该模型在各种补全任务中表现出色，平均结构相似性达到0.818，优于现有方法。虽然一项阅片研究表明在某些序列的整体图像质量方面不劣于现有方法，但另一项诊断评估显示，与采集图像相比，检测临床显著癌症的AUC略低。该模型的多中心可迁移性得到了来自三家医院队列的验证支持。
-
新的几何深度学习模型增强了脑部MRI分析
研究人员开发了一种新颖的几何深度学习模型，该模型提高了扩散MRI中脑组织微观结构估计的泛化能力。这种新方法通过使用超网络将显式的b值依赖性纳入球形卷积神经网络（SCNN）架构中。所提出的方法在合成数据上显示出更低的均方根误差和偏差，在真实数据上与传统方法具有更高的 G一致性，表明对未见过的b值具有更强的鲁棒性，并减少了重新训练的需求。
-
新的深度学习框架 Eddeep 加速了 MRI 失真校正
研究人员开发了 Eddeep，一个新颖的深度学习框架，旨在快速校正扩散 MRI (dMRI) 数据中的几何失真。这些由涡流引起的失真会严重影响下游微观结构分析的准确性。Eddeep 采用两阶段过程：一个图像翻译网络用于标准化图像外观，以及一个无监督配准网络用于估计失真和运动参数。这种方法实现了与 FSL Eddy 等现有方法相当的校正质量，但处理时间大大缩短，使其适用于大规模研究和临床应用。
-
前列腺MRI预处理提高AI癌症检测诊断准确性
一项发表在arXiv上的新研究调查了不同扩散加权成像（DWI）预处理技术对前列腺MRI分析的影响。研究人员发现，应用去噪、吉布斯环校正和失真校正可显著提高表观扩散系数（ADC）图的质量，并提高深度学习模型在PI-RADS评分分类方面的准确性。该研究利用DenseNet分类器对来自fastMRI队列的268名前列腺MRI病例进行了分析，证明优化的预处理流程对于前列腺癌检测中可靠的定量分析和临床分诊至关重要。
-
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。