PulseAugur
中
实时 08:16:32
实体 Human Connectome Project

Human Connectome Project

PulseAugur coverage of Human Connectome Project — every cluster mentioning Human Connectome Project across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
5
90 天内 21
发布 · 30天
0
90 天内 0
论文 · 30天
5
90 天内 21
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/2 页 · 共 22 条
  1. TOOL · CL_338558 ·

    新生儿大脑布线显示出优势,但并非生物学独有

    一篇新的研究论文探讨了布线与权重放置在神经网络中的作用,特别是以人类连接组为模型。研究发现,虽然在成人连接组中权重放置占了大部分优势,但在新生儿中仍然存在显著的布线效应。有趣的是,具有相似参数的Watts-Strogatz图的表现与新生儿连接组相当或更好,这表明观察到的优势并非生物大脑独有。

  2. TOOL · CL_303732 ·

    FlatClip 方法复用图像模型进行 fMRI 学习

    研究人员开发了 FlatClip,一种利用冻结的图像基础模型从 fMRI 数据中学习表示的新颖方法。该方法将皮层活动映射到与解剖结构相关的扁平地图,并使用 SigLIP2 编码器提取特征,仅需轻量级的下游探针进行训练。在某些基准测试中,FlatClip 相较于 ROI 级别的基线方法表现出竞争力,并强调了皮层排列和输入区域选择对于有效 fMRI 分析的重要性。

  3. RESEARCH · CL_312076 ·

    新的扩散模型增强了医学成像和通用图像生成

    研究人员开发了用于医学成像和通用图像生成的新扩散模型技术。一种方法MC-LDM使用多模态数据(如MRI和PET扫描)来预测阿尔茨海默病进展,将体积误差降低了18%。另一种方法为扩散模型引入了一个校正模块,以改进预测,提高样本质量,并实现无需牺牲结果即可进行蒸馏以加快推理速度。第三篇论文提出了具有小波激活的隐式神经表示,用于更高效、高保真地重建扩散MRI信号,在超分辨率和q空间插值方面显示出前景。

  4. TOOL · CL_289677 ·

    新框架BrainATCL从fMRI数据中学习自适应时间脑连接

    研究人员开发了BrainATCL,一个新颖的无监督框架,旨在从功能磁共振成像(fMRI)数据中学习自适应时间脑连接。该方法解决了传统图神经网络在捕捉动态fMRI信号中的长程时间依赖性方面的局限性。BrainATCL动态调整其回看窗口,并利用GINE-Mamba2骨干网络来编码时空表示,整合了脑结构和功能信息属性以提高生物学相关性。该框架在使用来自1000名Human Connectome Project参与者的数据的跨会话预测场景中,…

  5. TOOL · CL_275548 ·

    新异方差张量分解方法用于脑电图数据

    研究人员引入了异方差正则多面体张量分解(HCP),这是对标准CP分解的改进。HCP除了低秩均值张量外,还使用非恒定、低秩的精度张量来模拟逐项变异性。已开发出一种交替块坐标上升方法,可以从噪声数据中有效地恢复这两个张量,其计算复杂度与CP-ALS相当。HCP的有效性已通过合成实验和涉及脑电图(EEG)数据的应用得到证明。

  6. TOOL · CL_255002 ·

    新的ConSEAL方法使用纤维束终点对齐皮层表面

    研究人员开发了ConSEAL,一种通过直接使用白质纤维束终点来对齐皮层表面的新方法。该方法在乘积流形上对纤维束终点进行建模,并迭代计算同胚变形以最小化连通性不匹配。在人类连接组项目数据上的实验表明,与ENCORE和MSMAll等现有方法相比,ConSEAL提高了纤维束级别的对应关系和鲁棒性。

  7. TOOL · CL_233611 ·

    新的高斯场模型增强了 dMRI 重建

    研究人员开发了一种新的扩散加权磁共振成像 (dMRI) 数据重建方法,解决了现有联合 k-q 重建技术的局限性。所提出的特定于对象的空间-角度高斯场模型利用了不同扩散编码方向之间的共享解剖信息,同时考虑了信号变化。该方法旨在提高未观察到的扩散方向和导出指标的重建准确性,如在 Human Connectome Project 数据上的实验所示。

  8. TOOL · CL_231727 ·

    新的MRI超分辨率方法实现更快的训练和更高的质量

    研究人员开发了一种新颖的单受试者弥散MRI超分辨率迁移学习框架。该方法在一个高分辨率模板上预训练一个隐式神经表示(INR),然后针对特定受试者扫描进行微调。该方法显著提高了图像质量和微观结构估计指标,在Human Connectome Project数据上将归一化均方根误差(NRMSE)降低了36-49%,将特征相似性指数(FSIM)提高了24-43%,同时与最近的基线相比,训练速度也提高了六倍。

  9. TOOL · CL_227147 ·

    新框架使用大脑网络社群进行个体指纹识别

    研究人员开发了一个新的框架,用于利用功能性大脑网络识别个体。该方法侧重于这些网络的介观结构,特别是其中的社群结构,以创建受试者特定的“指纹”。该框架采用一种有符号的多层社群检测方法,该方法考虑了相关和反相关的大脑活动,并从这些社群结构中提取低维表示。在对人类连接组计划(Human Connectome Project)的数据进行测试时,这种基于社群的方法被证明是一种可靠且可解释的、用于跨不同会话和任务的个体大脑特征描述方法。

  10. TOOL · CL_206262 ·

    新AI框架从大脑活动中重建视频

    研究人员开发了SemVideo,一个旨在从大脑活动(特别是fMRI信号)中重建视频的新颖框架。该系统解决了当前方法的一些局限性,例如重建视频中不一致的对象外观和糟糕的时间连贯性。SemVideo利用了一个名为SemMiner的分层语义引导模块,该模块从原始视频刺激中提取静态描述、运动叙事和整体摘要,以提高重建的准确性和时间连贯性。

  11. RESEARCH · CL_200247 ·

    新框架利用RL和GPT实现精确大脑纤维追踪

    研究人员开发了一个新颖的框架,该框架结合了强化学习和监督学习,特别是利用了基于GPT的策略学习,以提高神经影像中白质纤维追踪的准确性。这种混合方法旨在无需真实纤维进行训练即可优化特定纤维的重建,从而简化流程并减少假阳性。该框架已在TractoInferno、HCP和ISMRM-2015等公共数据集上得到验证,在绘制大脑结构通路方面显示出更高的鲁棒性和准确性。

  12. RESEARCH · CL_156539 ·

    新的LLIFT框架生成逼真的医学图像用于AI验证

    研究人员开发了一个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。该方法旨在为医学影像中可解释人工智能(XAI)技术的验证创建更可靠的地面真实数据,克服专家标注和不切实际的人工扰动的局限性。LLIFT可以使用定制的生成对抗网络(LLIFT-GAN)或基于扩散的修复流程(LLIFT-DM)来实现,这两种方法都以边界框掩码为条件。对人类连接组项目数据的评估表明,两种LLIFT实现均取得了具有竞争…

  13. RESEARCH · CL_117606 ·

    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…

  14. TOOL · CL_115669 ·

    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…

  15. TOOL · CL_111794 ·

    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…

  16. 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…

  17. 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。

  18. RESEARCH · CL_93111 ·

    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%)。

  19. RESEARCH · CL_65455 ·

    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。

  20. TOOL · CL_53859 ·

    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。