Structural MRI
PulseAugur coverage of Structural MRI — every cluster mentioning Structural MRI across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI模型利用MRI和血流数据增强脑龄估算
研究人员开发了一种新颖的多模态框架，以提高脑龄估算的准确性，脑龄是神经生物学衰老和疾病风险的生物标志物。这种新方法结合了两个不同3D卷积神经网络的预测：一个分析结构性MRI扫描，另一个处理合成脑容量（DeepCBV）图。组合模型在估算健康对照组的脑龄时实现了3.95年的平均绝对误差，优于仅使用MRI或DeepCBV数据的模型。
-
AI框架量化MRI和PET在阿尔茨海默病诊断中的贡献
研究人员开发了一个名为模态贡献网络（MCNet）和模态贡献评分（MCS）的新框架，用于量化不同成像技术在阿尔茨海默病诊断中的贡献。该AI系统分析结构MRI和淀粉样蛋白PET扫描，以确定哪种模态对特定患者的诊断更具影响力。MCNet应用于数百名参与者，显示出强大的诊断性能，并揭示了随着疾病进展，模态主导地位发生了显著变化，PET扫描在后期变得更加关键。
-
新的MSR-IVA框架融合脑成像数据以改进分析
研究人员开发了MSR-IVA，一种用于融合结构MRI (sMRI) 和动态功能网络连接 (dFNC) 数据的新型框架。该方法通过整合共享结构表示与特定状态的适应性以及用于不完整状态表达的掩码，解决了结合这些模态的挑战。在利用阿尔茨海默病神经影像计划队列进行的试验中，与现有的IVA基线相比，MSR-IVA在源耦合方面表现出显著的改进，并降低了依赖性。
-
新的混合专家模型框架利用MRI增强创伤后癫痫诊断
研究人员开发了一种新的动态多模态混合专家（MoE）框架，称为DynFS-MoE，以改善创伤后癫痫（PTE）的早期诊断。该框架通过使用时间感知编码和类别条件专家路由来整合功能性和结构性MRI数据。实验结果表明，DynFS-MoE优于静态融合方法，并提供对感兴趣区域相互作用的可解释见解，为PTE诊断和风险分层提供了一种更有效的方法。
-
生物学歧义阻碍了用于阿尔茨海默病的 MRI 到淀粉样蛋白 PET 合成
一项新的研究论文探讨了从结构 MRI 数据合成淀粉样蛋白 PET 扫描以诊断阿尔茨海默病的挑战。研究认为，模型性能不一致源于根本的生物学歧义：MRI 反映神经退化，而 PET 测量淀粉样蛋白病理，两者在时间上可能解耦。这导致 MRI 模式与淀粉样蛋白状态之间存在模糊的一对多映射，使得合成任务本质上是病态的。研究表明，虽然可以单独学习无歧义的映射，但在存在数据歧义时性能会下降。整合多模态输入（如血浆生物标志物）可以解决这种歧义，提高性能…