Human Connectome Project
PulseAugur coverage of Human Connectome Project — every cluster mentioning Human Connectome Project across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的LLIFT框架生成逼真的医学图像用于AI验证
研究人员开发了一种名为局部标签信息特征迁移（LLIFT）的新框架，用于生成具有逼真病变的半合成脑部MRI图像。该方法可以在训练期间无需像素级病变标注即可创建地面真实数据，解决了当前依赖标注或手工扰动方法的局限性。LLIFT通过定制的生成对抗网络（LLIFT-GAN）和基于扩散的修复流程（LLIFT-DM）实现，两者在与真实病理分布的比较以及生成定性上逼真的病变结构方面均表现出相当的性能。
-
新研究强调了 AI 代理中的关键安全漏洞，并提出了新的基准和控制机制
两篇新研究论文探讨了 AI 代理的安全漏洞，特别是那些对系统和工具有持久访问权限的代理。第一篇论文《从计算机系统视角理解和评估类似爪的代理安全》介绍了 SafeClawArena，这是一个用于测试四个攻击面上的对抗性任务的基准。研究发现恶意插件的成功率为 100%，并且虽然 SeClaw 等一些代理降低了 GPT-5.4 和 Claude Opus-4.6 等模型的攻击成功率，但 Claude Opus-4.6 在各个平台上始终保持较…
-
新的 MPFlow 框架使用多模态引导增强零样本 MRI 重建
研究人员开发了 MPFlow，一种用于零样本 MRI 重建的新型框架，该框架利用辅助 MRI 模态来提高解剖保真度并减少幻觉。该方法采用一种称为 Patch-level Multi-modal MR Image Pretraining (PAMRI) 的自监督预训练策略，以学习不同 MRI 采集之间的共享表示。通过数据一致性和跨模态特征对齐来指导采样过程，MPFlow 在 MRI 重建方面表现出更高的可靠性和效率，在图像质量方面优于扩…
-
fMRI迁移学习揭示多源认知任务关系
研究人员开发了一种新颖的方法，利用fMRI数据分析认知任务之间的关系，将先前的单源迁移学习模型扩展到多源框架。这种新方法利用布尔整数规划（BIP），检查了23个人类连接组项目（Human Connectome Project）的任务状态，并训练了超过一千个特定任务和迁移模型。研究结果表明，运动状态在其自身范式内迁移良好，但对非运动任务的支持有限，这表明存在一个共享的传感运动执行系统。研究还强调，在预算限制下，工作记忆状态会得到优先考虑…
-
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。
-
Krakencoder 分析揭示大脑连接组中细微的性别差异
一项发表在 arXiv 上的新研究使用 Krakencoder 框架分析了大脑连接组中基于性别的差异。研究人员检查了来自人类连接组计划 702 名参与者的结构和功能连接组，评估了移除个体 Yeo-7 功能网络的影响。默认模式网络引起了最大的扰动，而体感运动网络的影响最小。虽然预测连接组中的性别特异性信息很微妙，但与单独的扰动衍生特征（66.09% 的准确率）相比，完整的预测连接组保留了显著更多的性别区分信息（准确率高达 84.76%）。
-
人工智能通过运动校正和特征解耦增强MRI诊断
研究人员开发了新的深度学习框架，以解决MRI扫描中的运动伪影并提高诊断准确性。一种名为ScanCLIP的方法，利用参数引导的对比解耦和自适应专家来校正不同MRI模态和严重程度的伪影，显示出改进的PSNR和SSIM指标。另一种方法MoViD，使用Vision Transformer骨干网络，专注于将心脏MRI中特定于视角的解剖变异与疾病相关特征解耦，从而提高诊断鲁棒性，尤其是在数据稀疏的情况下。
-
新型FM-fMRI模型可从静息态数据合成任务态fMRI
研究人员开发了FM-fMRI，这是一种新颖的流匹配模型，旨在从静息态fMRI数据合成任务态fMRI时间序列。该方法根据特定任务事件条件化合成过程，能够生成逼真的神经动力学。在公共和内部数据集上的评估表明，FM-fMRI在谱和连接一致性方面优于条件扩散、GAN和VAE等现有方法。该模型通过增强有限的临床数据来进一步证明其效用，从而提高了自闭症下游诊断分类的准确性。
-
深度学习MRI超分辨率质量取决于特征损失层选择
研究人员探讨了基于特征的损失函数中不同层如何影响基于深度学习的脑扩散MRI超分辨率的质量。他们发现，在VGG16网络中使用更深的层会在超分辨率图像和扩散参数中引入网格状伪影，而最浅的层即使在9倍分辨率提升的情况下也能产生与真实情况一致的结果。该研究强调了在基于特征的损失中仔细选择贡献层以避免伪影并确保扩散MRI应用的准确性的关键需求。
-
新的UBD方法创建了用于大脑动力学分析的通用空间
研究人员开发了一种名为通用大脑动力学（UBD）的新方法，用于创建分析人类大脑活动的通用空间。该方法整合了脑信号的空间和时间特性，能够对神经机制进行更精确的数值分析。UBD通过准确预测多个状态和受试者的fMRI信号，证明了其有效性，为理解大脑功能、结构-功能耦合和个体差异提供了新见解。