T1 weighted image
PulseAugur coverage of T1 weighted image — every cluster mentioning T1 weighted image across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新流程审计大规模神经影像数据中的身份重复
研究人员开发了HAPPEN，一个旨在审计大规模神经影像存储库中身份重复的流程。该系统使用SHA-256指纹识别精确重复项，并采用监督对比检索方法识别同一受试者的非相同扫描。HAPPEN部署在一个包含超过95,000次扫描的存储库上，成功识别出大量重复扫描和受试者组，其中很大一部分跨越了数据集边界。该流程还证明了其在无需重新训练模型的情况下，能够迁移到独立机构的应用。
-
大规模预训练改进了用于医学图像畸变校正的深度学习
研究人员探索了使用大规模预训练来增强用于校正扩散加权成像（DWI）中几何畸变的深度学习模型。该研究比较了非预训练基线模型与自监督和生成式预训练模型，发现预训练模型总体上优于基线模型。然而，在将模型应用于中低收入国家（LMICs）的数据时，观察到了可转移性方面的挑战，这表明在对比度改变和依赖解剖结构方面可能存在问题。统一预处理步骤，例如将图像配准到通用标准空间，有望改善跨领域部署。
-
新的 VoxStruct3D 框架生成高保真三维 MRI 扫描
研究人员推出 VoxStruct3D，一个直接在体素空间生成高保真三维 MRI 扫描的新颖框架。该方法利用了体积体素生成器 (VVG)，它结合了因子化三维块嵌入、重叠上采样和时间调制残差细化，以提高解剖一致性并减少伪影。此外，一种“结构优先、图像跟随”(SFIF) 策略整合了一个冻结的三维医学编码器，以提取紧凑的结构标记来指导图像生成过程，从而在特征分布对齐、样本多样性和感知质量方面取得卓越性能。
-
新型AI模型从MRI合成Tau-PET图像用于阿尔茨海默病研究
研究人员开发了SFL-Net，一个旨在从多对比度MRI扫描合成Tau-PET图像的新型框架。该方法利用现成的MRI数据，解决了用于阿尔茨海默病分期的Tau-PET成像的规模化挑战。SFL-Net分解潜在表示并保留解剖细节，在各种保真度和重建指标上优于基线模型，同时还提供增强的可审计性。