Robust Image Registration with Absent Correspondences in Pre-operative and Follow-up Brain MRI Scans of Diffuse Glioma Patients
The Hong Kong University of Science and Technology（香港科技大学）
由于肿瘤质量效应引起的组织外观变化较大以及肿瘤复发区域的对应性缺失，因此术前和随访脑部MRI扫描的配准具有挑战性。尽管最近基于深度学习的可变形配准方法在各种医学应用中取得了显着的成功，但它们中的大多数都不能将图像与病理配准。在本文中，我们提出了一种用于术前和随访脑部MRI扫描的3步配准流水线，包括1）多级仿射配准，2）具有前后一致性约束的条件深拉普拉斯金字塔图像配准网络（cLapIRN），以及3）非线性实例优化方法。我们将该方法应用于脑肿瘤序列配准（BraTS-Reg）挑战。我们的方法实现了脑部MRI扫描与病理的准确和鲁棒配准，在BraTS-Reg挑战的验证集中实现了1.64 mm的中位绝对误差和88%的成功配准率。我们的方法在2022年MICCAI BraTS-Reg挑战赛中排名第一。
2022-11-12 cs.CV eess.IV
Learning Based Segmentation of CT Brain Images: Application to Post-Operative Hydrocephalic Scans
目的：脑积水是一种脑内脑脊液（CSF）异常积聚的疾病。将脑图像分割成脑组织和CSF（手术前后，即术前与术后）在评价手术治疗中起着至关重要的作用。术前图像的分割通常是一个相对简单的问题，并且已经得到了很好的研究。然而，由于扭曲的解剖结构和硬膜下血肿聚集压迫大脑，分割术后（术后）计算机断层扫描（CT）扫描变得更具挑战性。大多数基于强度和特征的分割方法无法将硬膜下与脑和CSF分离，因为硬膜下几何形状在不同患者之间变化很大，并且其强度随时间变化。我们通过一种学习方法来解决这个问题，该方法将分割视为像素级的监督分类，即采用具有标记像素身份的CT扫描的训练集。方法：我们的贡献包括：1。字典学习框架，其学习可以有效地表示来自同一类的测试样本而不好地表示来自其他类的对应样本的类（段）特定字典，2.）相关计算和存储器占用的量化，以及3.）用于分割术后脑积水CT图像的定制训练和测试程序。结果如下：在乌干达CURE儿童医院获得的婴儿CT脑图像上进行的实验揭示了我们的方法对最先进的替代品的成功。我们还证明了该算法的计算负担较轻，并表现出对训练样本数量的优雅退化，提高其部署潜力。
2017-12-11 eess.IV
Synthesis of Brain Tumor MR Images for Learning Data Augmentation
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术研究院（KAIST））
使用深度神经网络的医学图像分析已经得到了积极的研究。深度神经网络通过学习数据进行训练。为了准确训练深度神经网络，学习数据应该足够，质量好，并且应该具有通用性。然而，在医学图像中，由于患者招募的困难、专家对病变的注释负担以及对患者隐私的侵犯，很难获得足够的患者数据。相比之下，健康志愿者的医学图像可以很容易地获得。使用健康的大脑图像，所提出的方法合成多对比度的脑肿瘤的磁共振图像。由于肿瘤具有复杂的特征，因此所提出的方法将其简化为易于控制的同心圆。然后，它通过深度神经网络将同心圆转换为肿瘤的各种现实形状。由于大量的健康脑图像是容易获得的，我们的方法可以合成大量的脑肿瘤图像与各种同心圆。我们进行了定性和定量分析，以评估所提出的方法的增强数据的有用性。直观和有趣的实验结果可在https://github.com/KSH0660/BrainTumor上在线获得
2020-03-17 cs.CV eess.IV
Early Diagnosis of Parkinsons Disease by Analyzing Magnetic Resonance Imaging Brain Scans and Patient Characteristics
The Harker School（哈克学校）
帕金森病是一种影响运动技能的慢性疾病，包括震颤和僵硬等症状。目前的诊断程序使用患者评估来评估症状，有时使用磁共振成像或MRI扫描。然而，症状的变化会导致不准确的评估，并且MRI扫描的分析需要经验丰富的专家。这项研究提出通过结合帕金森病进展标志物倡议数据库中的症状数据和MRI数据，利用深度学习准确诊断PD的严重程度。实施了一种新的混合模型架构，以充分利用两种形式的临床数据，并开发了仅基于症状和仅基于MRI扫描的模型。基于症状的模型集成了一个完全连接的深度学习神经网络，MRI扫描和混合模型集成了基于转移学习的卷积神经网络。所有模型都将患者诊断为五个严重程度类别，而不是只进行二元分类，其中零级代表健康患者，四级和五级代表PD患者。仅症状、仅MRI扫描和混合模型的准确度分别为0.77、0.68和0.94。混合模型也有很高的精确度和召回率，分别为0.94和0.95。真实的临床病例证实了混合模型的强大性能，其中患者被其他两种模型错误分类，但被混合模型正确分类。它在五个严重程度阶段也是一致的，表明准确的早期检测。这是第一份将症状数据和MRI扫描与如此大规模的机器学习方法相结合的报告。
2022-01-12 cs.CV eess.IV
Prediction of Overall Survival of Brain Tumor Patients
Ahmedabad University（艾哈迈达巴德大学）；Nirma University（尼尔玛大学）；Pandit Deendayal Petroleum University（潘迪特·迪恩达亚尔石油大学）
自动脑肿瘤分割在患者的诊断和预后中起着重要作用。此外，脑肿瘤的特征有助于预测患者的总体生存期。本文的主要重点是从BRATS 2018基准数据集中分割肿瘤，并使用年龄，形状和体积特征来预测患者的总生存期。随机森林分类器在测试数据集上实现了59%的总体生存准确度，在切除状态为大体全切除的数据集上实现了67%的总体生存准确度。所提出的方法使用更少的功能，但实现更好的准确性比最先进的方法。
2019-09-10 cs.CV cs.LG eess.IV
Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of Brain Tumor Patients using Dense-Vnet
Mayo Clinic（梅奥诊所）；Moffitt Cancer Center and Research Institute（莫菲特癌症中心与研究所）
全脑提取（英语：Whole brain extraction），也称为颅骨剥离（skull stripping），是神经影像学中的一个过程，其中从神经影像中移除非脑组织，如颅骨、眼球、皮肤等。颅骨划线是术前计划、皮质重建和自动肿瘤分割的初步步骤。尽管在文献中有过多的颅骨剥离方法，但很少有足够准确的处理病理表现的MRI，特别是脑肿瘤的MRI。在这项工作中，我们提出了一种深度学习方法，用于肿瘤学中常见的MRI序列，例如脑肿瘤患者的T1加权钆对比（T1 Gd）和T2加权液体衰减反转恢复（FLAIR）。我们使用SPM 12软件自动创建了灰质、白质和CSF概率掩模，并将这些掩模合并为一个，用于模型训练的最终全脑掩模。针对手动脑掩模测试模型（本文称为DeepBrain）的骰子一致性、灵敏度和特异性。为了评估数据效率，我们使用逐渐减少的训练数据示例重新训练了我们的模型，并计算了每轮训练模型在测试集上的平均骰子得分。此外，我们测试了我们的模型对来自LBP 40 A数据集的健康大脑的MRI。总体而言，DeepBrain在脑肿瘤数据上的平均骰子得分为94.5%，灵敏度为96.4%，特异性为98.5%。对于健康的大脑，模型性能提高到96.2%的骰子评分，96.6%的灵敏度和99.2%的特异性。数据效率实验表明，对于这个特定的任务，只需50个训练样本就可以达到相当的准确度。总之，这项研究表明，在最低限度处…
2020-06-04 cs.CV eess.IV q-bio.QM
Uncertainty-Based Biological Age Estimation of Brain MRI Scans
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
年龄是现代诊断程序中的一个重要因素。然而，由于缺乏参考地面实况标签，真实生物年龄（BA）的评估仍然是一项艰巨的任务。目前的BA估计方法要么局限于骨骼图像，要么依赖于非成像方式，产生全身BA评估。然而，由于生活方式和遗传因素，各种器官系统可能表现出不同的衰老特征。在这项初步研究中，我们提出了一个新的框架，利用三维磁共振成像（MRI）扫描器官特异性BA估计。作为第一步，这个框架预测的实际年龄（CA）连同相应的患者依赖的任意不确定性。然后，利用迭代训练算法，根据预测的不确定性分数将非典型老年患者从给定人群中分离。通过这种方式，我们假设在剩余人群上训练新模型应该接近真实的BA行为。我们将所提出的方法应用于包含健康个体以及阿尔茨海默病患者的脑MRI数据集。我们证明了预测的BA和预期的认知恶化阿尔茨海默氏症患者之间的相关性。
2021-03-15 cs.CV eess.IV
Forecasting Brain Tracer Distribution from Pre-Contrast MRI: A Comparison of Direct Regression and Flow Matching
Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）；Sørlandet Hospital（南挪威医院）
本研究比较直接回归与流匹配方法，利用对比前脑MRI预测鞘内示踪剂增强，发现直接回归更准确且高效，大部分增强可由解剖和时间预测。
2026-11-04 cs.AI cs.CV cs.LG
Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study
Oslo University Hospital（奥斯陆大学医院）；Stanford University（斯坦福大学）
其目的是评估一种用于检测和分割脑转移瘤的新型DropOut模型的临床价值，其中使用输入辍学层在四个不同的MRI序列上训练神经网络，从而通过在输入数据的全集和所有可能的子集上训练来模拟缺失MRI数据的情况。这项回顾性多中心研究评估了165例脑转移患者。基于深度学习的脑转移瘤自动分割模型DropOut在100例患者的多序列MRI上进行了训练，并在10/55例患者上进行了验证/测试。将分割结果与最先进的DeepLabV 3模型的性能进行了比较。训练集中的MR序列包括前和后钆（Gd）T1加权3D快速自旋回波、后Gd T1加权反转恢复（IR）准备的快速扰相梯度回波和3D液体衰减反转恢复（FLAIR），而测试集不包括IR准备的图像系列。由经验丰富的神经放射科医生确定了真实情况。使用精确度，召回率，Dice评分和受试者工作特征（ROC）曲线统计来评估结果，而Wilcoxon秩和检验用于比较两个神经网络的性能。所有测试用例的ROC曲线下面积（AUC）平均值为DropOut模型的0.989 ± 0.029，DeepLabV 3模型的0.989 ± 0.023（p=0.62）。与DeepLabV 3模型相比，DropOut模型显示出显著更高的Dice评分（0.795 ± 0.105 vs. 0.774 ± 0.104，p=0.017），并且使用10 mm 3病变尺寸限制时，平均假阳性率显著更低，为3.…
2019-12-27 cs.CV eess.IV
Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma
Amsterdam UMC, Department of Radiation Oncology（阿姆斯特丹大学医学中心放射肿瘤科）；Cancer Center Amsterdam, Imaging and Biomarkers（阿姆斯特丹癌症中心影像与生物标志物）；Department of Radiology and Nuclear Medicine（放射科与核医学科）；Amsterdam UMC, Vrije Universiteit Amsterdam, Amsterdam Neuroscience, Brain Imaging（阿姆斯特丹大学医学中心、阿姆斯特丹自由大学、阿姆斯特丹神经科学、脑成像）
提出一种基于整流流的条件图像生成模型，利用放疗前MRI和剂量图预测治疗后任意时间点的脑MRI，实现快速推理并保持语义和视觉保真度。
2026-05-29 cs.CV eess.IV
A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction
School of Engineering and Applied Science, Ahmedabad University（艾哈迈达巴德大学工程与应用科学学院）
胶质瘤是最致命的脑肿瘤，死亡率高。人类专家的治疗计划取决于对身体症状的正确诊断以及磁共振（MR）图像分析。脑肿瘤在大小、形状、位置和大量MR图像方面的高度可变性使得分析耗时。自动分割方法实现了时间的减少，具有良好的可重复性的结果。本文旨在综述脑胶质瘤自动分割方法的进展。还必须根据基准对各种模式进行客观评价。因此，2012 - 2019年BraTS挑战数据库评估了最先进的方法。挑战下任务的复杂性已经从分割（任务1）增长到总体生存预测（任务2），再到分类的不确定性预测（任务3）。本文涵盖了使用手工特征对任务1的深度神经网络模型进行脑肿瘤分割的全部内容。其目的是展示自动化脑肿瘤模型趋势的完全变化。本文还涵盖了涉及脑肿瘤分割和总体生存预测的端到端联合模型。对各种方法进行了探讨，并对影响性能的参数进行了列表分析。
2021-03-08 cs.CV cs.LG eess.IV
Automated Segmentation for Hyperdense Middle Cerebral Artery Sign of Acute Ischemic Stroke on Non-Contrast CT Images
The University of Hong Kong（香港大学）；Hospital Authority（医院管理局）
高密度大脑中动脉（MCA）斑点征已被报道为诊断大血管闭塞所致急性缺血性卒中的重要因素。解释这些患者的初始CT脑部扫描需要高水平的专业知识，并且具有较高的观察者间变异性。对紧急CT脑部图像的自动计算机化解释，重点是发现缺血性卒中的早期体征，将有助于早期患者诊断、分诊，并缩短这些患者的门到血运重建时间。在本文中，我们提出了一种基于强大的深度学习技术的自动检测方法，在非对比CT脑部图像扫描上分割MCA点征。
2019-05-22 cs.CV eess.IV
Self-supervised iRegNet for the Registration of Longitudinal Brain MRI of Diffuse Glioma Patients
Reutlingen University（罗伊特林根大学）；Menoufia University（梅努菲亚大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
由于组织外观变化，包含病理的患者特定脑磁共振成像（MRI）扫描的可靠和准确配准具有挑战性。本文描述了我们对2022年脑肿瘤序列配准挑战（BraTS-Reg 2022）的纵向脑MRI任务配准的贡献。我们开发了一种增强的基于无监督学习的方法，该方法扩展了iRegNet。特别是，结合基于无监督学习的范例以及对网络管道的几个小修改，使增强的iRegNet方法能够实现可观的结果。实验结果表明，增强的自监督模型能够将训练集的初始平均中值配准绝对误差（MAE）从8.20（7.62）mm提高到最低值3.51（3.50），同时实现验证集的MAE为2.93（1.63）mm。通过在变形配准前后叠加前后MRI对，对本研究进行了额外的定性确认。在MICCAI BraTS-Reg 2022挑战的测试阶段，所提出的方法获得了第5名。复制我们的BrTS-Reg提交结果的Docker镜像将公开提供。
2022-11-20 cs.CV cs.LG eess.IV
Latent Space Analysis of VAE and Intro-VAE applied to 3-dimensional MR Brain Volumes of Multiple Sclerosis, Leukoencephalopathy, and Healthy Patients
多发性硬化（MS）和微血管白质脑病是两种不同的神经系统疾病，第一种是由中枢神经系统中的局灶性自身免疫炎症引起的，第二种是由动脉粥样硬化性微血管疾病引起的慢性白质损伤引起的。这两种情况都会导致液体衰减反转恢复（FLAIR）磁共振（MR）图像上的信号异常，这可以由专家神经放射科医生区分，但在两种疾病的早期阶段，这可能与未经训练的眼睛非常相似。在本文中，我们尝试训练一个三维深度神经网络，以无监督的方式学习这两种疾病的具体特征。对于这种方式，在第一步中，我们训练生成神经网络以使用多发性硬化、白质脑病和健康患者的混合数据集来创建具有近似显式密度的两种状况的人工MR图像，所述混合数据集包含3096名患者的总共5404个体积。在第二步中，我们在该网络的潜在空间中区分不同疾病之间的特征，并使用它们对新数据进行分类。
2021-01-17 cs.CV cs.LG eess.IV
The University of California San Francisco Brain Metastases Stereotactic Radiosurgery (UCSF-BMSR) MRI Dataset
University of California San Francisco（加州大学旧金山分校）；University of California, San Diego（加州大学圣地亚哥分校）；University of Pennsylvania（宾夕法尼亚大学）；Duke University（杜克大学）
本文介绍了UCSF-BMSR数据集，这是一个包含412名患者560个脑MRI及5136个脑转移瘤专家标注的公开多模态临床数据集，旨在推动脑转移瘤的AI应用研究。
2024-05-31 cs.CV eess.IV
GAMER-MRIL identifies Disability-Related Brain Changes in Multiple Sclerosis
University Hospital Basel（巴塞尔大学医院）；University of Basel（巴塞尔大学）；Covera Health（科维拉医疗）；University of Bern（伯尔尼大学）；Inselspital, Bern University Hospital（伯尔尼大学医院因塞尔spital）
本文提出GAMER-MRIL框架，结合全脑qMRI、门控注意力CNN与适配qMRI的LRP可解释性方法，实现重度MS残疾分类并定位与运动功能相关的病理脑区。
2023-08-15 cs.CV eess.IV q-bio.NC
Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction
Old Dominion University（奥多明尼昂大学）
本研究提出结合多分辨率放射组学特征、统计特征选择和重复随机子采样的计算流程，用于区分复发性脑肿瘤与放射性坏死，并预测患者生存风险。
2023-06-05 cs.CV cs.LG eess.IV
Artificial Intelligence Solution for Effective Treatment Planning for Glioblastoma Patients
Detroit Country Day School（底特律乡村走读学校）
胶质母细胞瘤是成人中最常见的恶性脑肿瘤。全世界每年约有20万人死于胶质母细胞瘤。胶质母细胞瘤患者的中位生存期为12个月，最佳治疗约为4个月。胶质母细胞瘤表现为不均匀的坏死肿块，周围不规则强化，周围有血管源性水肿。目前的标准治疗包括手术切除、放疗和化疗，这些都需要对脑肿瘤子区域进行准确分割。对于有效的治疗计划，确定甲基鸟嘌呤甲基转移酶（MGMT）启动子的甲基化状态是至关重要的，MGMT是化疗的积极预后因素。然而，目前用于脑肿瘤分割的方法是繁琐的、主观的且不可扩展的，并且目前用于确定MGMT启动子甲基化状态的技术涉及手术侵入性程序，其昂贵且耗时。因此，迫切需要开发自动化工具来分割脑肿瘤和非侵入性方法来预测MGMT启动子的甲基化状态，以促进更好的治疗计划和提高生存率。我创建了一个由人工智能驱动的集成诊断解决方案，可以使用脑部MRI扫描自动分割脑肿瘤亚区并预测MGMT启动子甲基化状态。我的人工智能解决方案在大型数据集上得到了验证，性能超过了当前标准，并通过当地神经放射科医生的教学文件数据进行了现场测试。通过我的解决方案，医生可以提交脑部MRI图像，并在几分钟内获得分割和甲基化预测，并指导脑肿瘤患者制定有效的治疗计划，最终提高生存时间。
2022-03-09 cs.AI cs.CV cs.LG
Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors
Philips Healthcare（飞利浦医疗保健）
本研究提出了一种基于深度学习的MRI重建方法DeepMRIRec，用于从RT特定接收线圈采集的欠采样数据中恢复图像，在73名脑肿瘤儿童数据上将扫描时间减少4倍且结构相似性超越现有方法。
2023-11-22 cs.CV cs.LG eess.IV
RFUDS -- A Brain Metastases Imaging Dataset of Radiotherapy Follow-Up
本研究构建并公开了RFUDS数据集，包含44名脑转移瘤患者的CT与MRI影像，经图像增强与多模态配准处理，为放疗随访及相关研究提供优化数据。
2024-12-21 eess.IV
A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in Brain Tumor Patients Using Dynamic Functional Connectivity
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins School of Medicine（约翰斯·霍普金斯大学医学院）
我们提出了一种新的深度学习框架，该框架使用动态功能连接来同时定位脑肿瘤患者的语言和运动区。我们的方法利用卷积层从动态连接矩阵和长短期记忆（LSTM）注意力网络中提取基于图的特征，以在分类过程中对相关时间点进行加权。我们模型的最后阶段采用多任务学习来识别不同的雄辩子系统。我们独特的训练策略在感兴趣的认知网络之间找到了一个共享的表示，这使我们能够处理缺失的患者数据。我们评估我们的方法从56例脑肿瘤患者的静息状态fMRI数据，同时使用任务fMRI激活作为替代地面真理标签的培训和测试。我们的模型比传统的深度学习方法具有更高的定位精度，即使在左半球偏侧的情况下训练，也可以识别双侧语言区域。因此，我们的方法可能最终是有用的术前映射肿瘤患者。
2020-11-17 cs.LG eess.IV
Automatic Tissue Segmentation with Deep Learning in Patients with Congenital or Acquired Distortion of Brain Anatomy
具有复杂脑解剖结构畸变的大脑对T1加权MR图像的自动组织分割方法提出了一些挑战。首先，组织形态的非常高的可变性可能与嵌入算法中的先验知识不相容。第二，扭曲的大脑的MR图像的可用性是非常稀缺的，所以在文献中的方法还没有解决这样的情况下，到目前为止。在这项工作中，我们提出了第一个评估国家的最先进的自动组织分割流水线的T1加权图像的大脑与不同严重程度的先天性或后天性脑失真。我们比较了传统的管道和深度学习模型，即在正常大脑上训练的3D U-Net。毫不奇怪，传统的管道完全无法分割具有强烈解剖变形的组织。令人惊讶的是，3D U-Net提供了有用的分割，可以成为专家/神经放射科医生手动细化的有价值的起点。
2020-03-24 eess.IV q-bio.TO
3DSiameseNet to Analyze Brain MRI
Bordeaux University（波尔多大学）
预测易患神经退行性疾病的人的认知演变对于尽快提供适当的治疗至关重要。在本文中，我们提出了一个3D连体网络，旨在从全脑3D MRI图像中提取特征。我们表明，它是可能的，以提取有意义的功能，使用卷积层，减少了经典的图像处理操作，如分割或预计算功能，如皮质厚度的需要。为了领导这项研究，我们使用了阿尔茨海默病神经成像倡议（ADNI），这是一个3D MRI大脑图像的公共数据库。提取了一组247名受试者，所有受试者在12个月的范围内有2张图像。为了测量患者状态的演变，我们比较了这两个图像。我们的工作一开始就受到Bhagwat等人在2018年发表的一篇文章的启发，他们提出了一种连体网络来预测患者的状态，但没有任何卷积层，并将MRI图像简化为从预定义的ROI中提取的特征向量。我们表明，我们的网络在认知下降VS稳定患者的分类中达到了90%的准确率。这一结果是在没有认知评分的帮助下获得的，并且与深度学习领域中声称的当前数据集大小相比，患者数量较少。
2019-09-03 cs.CV cs.LG eess.IV
From Brain Imaging to Graph Analysis: a study on ADNI's patient cohort
本文研究了脑结构体积的改变与阿尔茨海默病（AD）潜在发展之间的关系。使用一个简单的抽象技术，我们转换区域皮质和皮质下的体积差异在两个时间点为每个研究对象到一个图形。然后，我们得到的子结构的兴趣，使用图分解算法，以提取关键节点，通过多视图特征选择。使用强大的分类框架进行了密集的实验，以评估使用不同阈值下获得的大脑子结构的性能。结果表明，通过检查患者组之间的差异获得的紧凑的子结构足以区分AD和健康对照组的受试者工作曲线下面积为0.72。
2019-05-14 cs.IR eess.IV q-bio.QM
Predicting isocitrate dehydrogenase mutation status in glioma using structural brain networks and graph neural networks
University of Cambridge（剑桥大学）；Nanyang Technological University（南洋理工大学）；University of Bath（巴斯大学）
脑胶质瘤是一种常见的恶性脑肿瘤，患者的生存率不同。异柠檬酸脱氢酶（IDH）基因突变对胶质瘤的诊断和预后有重要价值。基于治疗前MRI的无创性预测IDH突变具有重要意义。机器学习/深度学习模型在使用MRI预测IDH突变方面表现出合理的性能。然而，大多数模型忽略了肿瘤侵袭引起的系统性脑改变，其中沿白质束的广泛浸润是胶质瘤的标志。结构脑网络提供了一种有效的表征大脑组织的工具，它可以被图神经网络（GNN）捕获，以更准确地预测IDH突变。在这里，我们提出了一种方法来预测IDH突变使用GNN，基于结构的大脑网络的患者。具体来说，我们首先构建一个网络模板的健康受试者，包括地图集的边缘（白质束）和节点（皮层/皮层下的大脑区域），以提供感兴趣的区域（ROI）。接下来，我们使用自动编码器从患者的边缘和节点的ROI中提取潜在的多模态MRI特征，以训练GNN架构来预测IDH突变。结果表明，该方法优于使用3D-CNN和3D-DenseNet的基线模型。此外，模型解释表明其识别肿瘤浸润的管道的能力，对应于临床先验知识。总之，将大脑网络与GNN集成为使用计算神经科学和计算机视觉方法研究大脑病变提供了一条新途径。
2021-09-10 cs.CV eess.IV q-bio.NC
M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients
Inception Institute of Artificial Intelligence（人工智能起源研究所）；Lehigh University（利哈伊大学）；Tianjin University（天津大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
早期准确预测脑肿瘤患者的总生存期有助于制定更好的治疗方案。虽然已经开发了许多OS时间预测方法并取得了令人满意的结果，但仍然存在一些问题。首先，常规预测方法依赖于磁共振（MR）体积的局部病变区域处的放射组学特征，其可能不表示完整图像或对复杂肿瘤模式建模。第二，不同类型的扫描仪（即，多模态数据）对不同的大脑区域敏感，这使得有效地利用跨多个模态的互补信息并且还保持模态特定的属性具有挑战性。第三，现有的方法专注于预测模型，忽略了复杂的数据到标签的关系。为了解决上述问题，我们提出了一个端到端的操作系统时间预测模型，即多模式多通道网络（M2Net）。具体来说，我们首先将3D MR体积投影到不同方向的2D图像上，这降低了计算成本，同时保留了重要信息，并使预训练模型能够从其他任务中转移。然后，我们使用特定模态的网络从不同的MR扫描中提取隐含的和高级的特征。建立一个多模态共享网络，使用双线性池模型融合这些特征，利用它们的相关性提供互补信息。最后，我们整合每个模态特定网络和多模态共享网络的输出，以生成最终的预测结果。实验结果表明，我们的M2Net模型优于其他方法。
2020-07-14 cs.CV cs.LG eess.IV
Multi-input segmentation of damaged brain in acute ischemic stroke patients using slow fusion with skip connection
University of Stavanger（斯塔万格大学）；Stavanger University Hospital（斯塔万格大学医院）
提出一种多输入慢融合卷积-反卷积神经网络，利用 CTP 参数图自动分割急性缺血性卒中的核心与半暗带，并以焦点 Tversky 损失应对数据不平衡。
2022-03-18 cs.CV cs.LG eess.IV
MMMNA-Net for Overall Survival Time Prediction of Brain Tumor Patients
InferVision Medical Technology Co.,Ltd.（InferVision医疗科技有限公司）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出MMMNA-Net，一种用于脑肿瘤患者总体生存时间预测的新方法，通过在不同尺度上引入改进的非局部特征融合模块，解决了多模态MRI融合中缺乏跨尺度信息的问题，在准确率上相对现有最优方法提升8.76%，并能适应模态缺失情况。
2022-06-13 cs.AI cs.CV eess.IV
Patch vs. Global Image-Based Unsupervised Anomaly Detection in MR Brain Scans of Early Parkinsonian Patients
虽然神经网络在许多医学图像分析应用中已经证明非常成功，但在针对诸如识别几乎不可见的脑部病变等微妙任务时，它们的使用仍然很困难，特别是在缺乏注释数据集的情况下。良好的候选方法是基于块的无监督管道，其优点是增加输入数据的数量，并捕获分布在图像中的局部和精细异常模式，而潜在的不便是全局结构信息的丢失。我们说明了这种权衡对帕金森氏病（PD）异常检测的性能比较的两个异常检测模型的基础上的空间自动编码器（AE）和适应补丁馈连体自动编码器（SAE）。平均而言，SAE模型表现更好，表明补丁可能确实是有利的。
2021-10-25 eess.IV
TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI
University of Catania（卡塔尼亚大学）；University of Nottingham（诺丁汉大学）；University of Hertfordshire（赫特福德大学）
针对现有脑部MRI进展预测方法的缺陷，提出结合强度差分布学习与预训练脑龄估计器的TADM模型，在OASIS-3数据集上实现区域尺寸误差降24%、相似性提4%的效果。
2024-06-18 cs.CV cs.LG eess.IV
Memory efficient brain tumor segmentation using an autoencoder-regularized U-Net
Kavli Institute for Systems Neuroscience, NTNU（挪威科技大学卡弗里系统神经科学研究所）
脑肿瘤的早期诊断和准确分割是治疗成功的关键。不幸的是，手动分割是耗时的，昂贵的，尽管有广泛的人类专业知识，但通常是不准确的。在这里，我们使用自动编码器正则化的3D卷积神经网络提出了一个基于MRI的肿瘤分割框架。我们在335名患有不同严重程度、大小和位置肿瘤的患者的手动分割结构T1、T1 ce、T2和Flair MRI图像上训练模型。然后，我们使用125名患者的独立数据对模型进行了测试，并成功地将脑肿瘤分割为三个子区域：肿瘤核心（TC），增强肿瘤（ET）和整个肿瘤（WT）。我们还探索了几个数据增强和预处理步骤，以提高分割性能。重要的是，我们的模型是在一个NVIDIA GTX 1060图形单元上实现的，因此可以优化肿瘤分割，以获得广泛负担得起的硬件。总之，我们提出了一个内存效率和负担得起的解决方案，肿瘤分割，以支持肿瘤脑病理的准确诊断。
2019-10-04 cs.CV eess.IV q-bio.NC
Prediction of Epilepsy Development in Traumatic Brain Injury Patients from Diffusion Weighted MRI
Northeastern University（东北大学）；University of Southern California（南加州大学）
创伤后癫痫（PTE）是创伤性脑损伤（TBI）的终身并发症，是一个主要的公共卫生问题，根据TBI的严重程度，估计发病率为2%-50%。目前，导致TBI患者癫痫发生的病理机制尚不清楚，癫痫界最具挑战性的目标之一是预测哪些TBI患者会患上癫痫。在这项工作中，我们使用扩散加权成像（DWI）的抗癫痫治疗癫痫生物信息学研究（EpiBioS 4 Rx）招募的14例TBI患者，以测量和分析分数各向异性（FA），从tract-based空间统计（TBSS）分析。然后，我们使用这些测量值来训练两个支持向量机（SVM）模型，以预测TBI患者已经发展为癫痫。我们的方法，在这14例患者中进行了留两交叉验证，使我们能够获得0.857 $\pm$ 0.18的准确性（95%的置信水平），证明它是潜在的有希望的PTE的早期表征。
2020-05-01 cs.LG eess.IV q-bio.NC
UniToBrain dataset: a Brain Perfusion Dataset
Fondazione Ricerca Molinette Onlus（莫利内特研究基金会（非营利组织））；University of Turin（都灵大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
CT灌注（CTP）是一种用于逐像素测量造影剂溶液团通过大脑的医学检查。目的是非常快速地绘制缺血性病变的“灌注图”（即脑血容量、脑血流量和达峰时间），并能够区分核心和半暗带区域。在缺血性中风的背景下，精确和快速的诊断可以确定脑组织的命运，并指导紧急情况下的干预和治疗。在这项工作中，我们提出了UniToBrain数据集，这是CTP的第一个开源数据集。它包括一个由100多名患者组成的队列，并附有患者元数据和使用最先进算法获得的地面实况图。我们还提出了一种新的基于神经网络的算法，分别使用欧洲库ECVL和EDDL进行图像处理和开发深度学习模型。通过神经网络模型获得的结果与地面实况相匹配，并为所需数量的CT图的潜在子采样开辟了道路，这对患者施加了重辐射剂量。
2022-08-01 cs.CV cs.LG eess.IV
Statistical inference of the inter-sample Dice distribution for discriminative CNN brain lesion segmentation models
University of Ottawa（渥太华大学）
判别卷积神经网络（CNN），其中体素的条件Multinoulli分布假设，在许多脑病变分割任务中表现良好。对于要在临床实践中使用的经训练的区分性CNN，将患者的放射学特征输入到模型中，在这种情况下，产生分割的条件分布。捕捉预测的不确定性对于决定是放弃一个模型，还是在竞争模型中进行选择非常有用。然而，在实践中，我们永远不知道真实分割，因此永远不知道真实的模型方差。在这项工作中，区分性CNN的分割采样用于通过分析新患者的样本间Dice分布来评估训练模型的鲁棒性，仅基于他们的磁共振（MR）图像。此外，通过证明样本间Dice观测值在一定条件下是独立和同分布的，具有有限的均值和方差，提出了一种严格的基于置信度的决策规则，以决定是否拒绝或接受特定患者的CNN模型。应用于ISLES 2015（SISS）数据集，该模型将7个预测确定为不稳健，对其余大脑计算的平均Dice系数提高了12%。
2021-02-19 cs.CV eess.IV stat.AP
Radiomics and Clinical Features in Predictive Modelling of Brain Metastases Recurrence
University of Minho（米尼奥大学）
本研究利用放射组学和临床数据构建模型，预测脑转移瘤复发并探讨辐射剂量差异与复发风险的关系。
2025-12-17 eess.IV
Longitudinal analysis of fetal MRI in patients with prenatal spina bifida repair
开放性脊柱裂（SB）是最常见的先天性缺陷之一，可导致大脑发育受损。新兴的胎儿手术方法在治疗这种严重异常的患者方面取得了相当大的成功。之后，观察到这些胎儿大脑发育的变化。目前还没有纵向研究显示胎儿手术对大脑发育的影响。在这项工作中，我们提出了一种用于SB胎儿的胎儿MRI神经成像分析管道，包括自动胎儿心室分割和基于变形的形态测量，并通过SB胎儿心室扩大的分析证明了其适用性。我们在手术前和手术后的时间点重建胎儿大脑，并训练U-Net CNN以自动分割脑室。我们研究了术后心室形态的变化，以及病变大小、类型和术中GA对心室形态变化的影响。除了脊髓劈裂患者中的脑室扩大进展中度增大外，未发现任何影响。还研究了产前心室体积的增长。我们的方法允许量化的纵向形态学变化，充分量化的影响，产前SB修复，并可用于预测出生后的结果。
2019-11-15 eess.IV
Validation of a CT-brain analysis tool for measuring global cortical atrophy in older patient cohorts
University of Oxford（牛津大学）；Oxford University Hospitals NHS Foundation Trust（牛津大学医院NHS基金会信托）；NIHR Biomedical Research Centre（英国国家健康研究所生物医学研究中心）
本研究验证了一种自动化深度学习CT脑分析工具，在老年患者真实扫描中准确测量全脑皮质萎缩评分，与人工评分高度一致，并关联年龄与认知障碍，为大规模健康数据研究提供标准化量化工具。
2025-09-08 cs.AI cs.CV eess.IV
Synthesis of realistic fetal MRI with conditional Generative Adversarial Networks
胎儿脑磁共振成像作为一种新兴的方式产前咨询和诊断疾病影响大脑。基于机器学习的分割在大脑发育的量化中起着重要作用。然而，一个限制因素是缺乏足够大的标记训练数据。我们的研究探索了SPADE的应用，SPADE是一种条件通用对抗网络（cGAN），它学习从标签到图像空间的映射。网络的输入是120个胎儿（胎龄范围：20-35周，正常和病理）的超分辨率T2加权脑MRI数据，这些数据被注释为7个不同的组织类别。SPADE网络在每个正交方向的重建体积（图像和标签对）的256*256 2D切片上进行训练。为了将从每个方向生成的体积组合到一个图像中，取三个网络输出的简单平均值。仅基于标签地图，我们合成了高度逼真的图像。然而，一些更精细的细节，如小血管没有合成。结构相似性指数（SSIM）为0.972 ± 0.016，相关系数为0.974 ± 0.008。为了证明cGAN创建新解剖变体的能力，我们在分割图中人工扩张了脑室，并创建了不同程度胎儿脑积水的合成MRI。cGAN，例如SPADE算法，允许在标签空间中生成假设看不见的场景和解剖结构，这些数据反过来可以用于训练各种机器学习算法。在未来，该算法将用于生成代表胎儿大脑发育的大型合成数据集。这些数据集可能会提高目前可用的分割网络的性能。
2022-09-20 eess.IV q-bio.NC
A deep learning approach for brain tumor detection using magnetic resonance imaging
Chulalongkorn University（朱拉隆功大学）；European University of Bangladesh（孟加拉国欧洲大学）；University of Liberal Arts Bangladesh（孟加拉国文科大学）
脑组织中异常细胞的生长导致脑肿瘤。脑肿瘤被认为是儿童和成人中最危险的疾病之一。它发展迅速，如果不适当治疗，患者的生存前景很渺茫。正确的治疗计划和精确的诊断对于提高患者的预期寿命至关重要。脑肿瘤的诊断主要使用磁共振成像（MRI）。作为基于卷积神经网络（CNN）的图示的一部分，已经提出了包含五个卷积层、五个最大池化层、平坦层和两个密集层的架构，用于从MRI图像检测脑肿瘤。该模型包括一个自动特征提取器，修改后的隐藏层结构，和激活功能。通过对多个测试用例的测试，该模型在较低的交叉熵率下获得了98.6%的准确率和97.8%的精确率。与相邻特征传播网络（AFPNet）、基于掩码区域的CNN（mask RCNN）、YOLOv 5和傅立叶CNN（FCNN）等方法相比，该模型在检测脑肿瘤方面具有更好的性能。
2022-10-25 cs.CV cs.LG eess.IV
Development of a Deep Learning Method to Identify Acute Ischemic Stroke Lesions on Brain CT
University of Edinburgh（爱丁堡大学）；The University of Sheffield（谢菲尔德大学）；University of Dundee（邓迪大学）
本文提出基于卷积神经网络的深度学习方法，利用IST-3常规脑部CT的有标签无标注数据检测急性缺血性卒中病灶并判断侧别，取得72%准确率并分析了病灶、扫描时机和慢性病变的影响。
2023-09-29 cs.CV eess.IV physics.med-ph
Segmentation of 2D Brain MR Images
Indian Institute of Technology (IIT), Varanasi (BHU)（印度理工学院（贝拿勒斯印度教大学））；National Institute of Technology (NIT), Tiruchirappalli（国立理工学院蒂鲁奇拉帕利分校）
脑肿瘤分割是医学图像处理中的一项重要任务。脑肿瘤的早期诊断在改善治疗可能性和提高患者生存率方面发挥着至关重要的作用。从大量MRI图像中手动分割脑肿瘤用于癌症诊断是一项困难且耗时的任务。需要对脑肿瘤图像进行自动分割。本课题的目的是提供一种脑肿瘤MRI图像的自动分割方法，以帮助准确、快速地定位肿瘤。
2021-11-05 cs.CV cs.LG eess.IV
3D-GlioPREDICT: 3D Latent Diffusion for Post-Radiotherapy Brain MRI Prediction in Patients with Glioma
Amsterdam UMC（阿姆斯特丹大学医学中心）
提出一种3D潜在扩散框架，以空间分辨的体素级剂量分布为条件，结合预处理图像和随访时间，生成放疗后脑MRI，在公开数据集上优于2D方法。
2026-06-03 eess.IV
Brain subtle anomaly detection based on auto-encoders latent space analysis : application to de novo parkinson patients
Univ. Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；INSA Lyon（里昂国立应用科学学院）；UCBL（里昂第一大学）；CREATIS（成像与生物医学应用研究中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CHU Grenoble Alpes（格勒诺布尔阿尔卑斯大学医院）；Institut des Neurosciences（神经科学研究所）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立理工学院）；LJK（让·昆特曼实验室）
基于神经网络的异常检测在临床应用中仍然具有挑战性，很少或没有监督信息和细微的异常，如几乎不可见的脑部病变。在无监督方法中，基于块的自动编码器具有由其潜在空间提供的有效表示能力，对于可见病变检测显示出良好的结果。然而，当面对不太明显的病变时，常用的重建误差标准可能会限制其性能。在这项工作中，我们设计了两个替代检测标准。它们来自多变量分析，可以更直接地从潜在的空间表示中捕获信息。他们的表现相比，有利的两个额外的监督学习方法，在一个困难的从头帕金森病（PD）分类任务。
2023-02-27 cs.AI eess.IV
Deep Learning Enables Automatic Detection and Segmentation of Brain Metastases on Multi-Sequence MRI
Stanford University（斯坦福大学）
对于许多放射科医生来说，检测和分割脑转移瘤是一项繁琐且耗时的任务，特别是随着多序列3D成像的使用越来越多。本研究演示了使用基于全卷积神经网络（CNN）的深度学习方法在多序列MRI上自动检测和分割脑转移瘤。在这项回顾性研究中，共纳入了156例患有几种原发性癌症脑转移的患者。治疗前MR图像（1.5T和3 T）包括前和后钆T1加权3D快速自旋回波、后钆T1加权3D轴向IR准备FSPGR和3D流体衰减反转恢复。由两名经验丰富的神经放射科医生通过手动描绘建立了基础事实。分别使用100名和5名患者使用基于GoogLeNet架构的2.5D网络进行CNN训练/开发。对51例患者的结果进行了评价，这些患者平均分为少数（1-3）、多个（4-10）和多个（>10）病变。使用精确度，召回率，Dice/F1得分和ROC曲线统计来评估网络性能。对于最佳的概率阈值，检测和分割性能进行了评估，每个转移的基础上。所有患者的ROC曲线下面积（AUC）平均值为0.98。对于具有1-3、4-10和>10个转移的患者，亚组中的AUC分别为0.99、0.97和0.97。使用由开发集确定的平均最佳概率阈值，精确度，召回率和Dice得分分别为0.79，0.53和0.79。在相同的概率阈值下，网络显示平均假阳性率为8.3/患者（无病变大小限制）和3.4/患者（10 mm 3病变大小限制）。总之，使用多序列MRI的深度学习方法可以帮…
2019-03-18 cs.LG eess.IV stat.ML
Analysis of MRI Biomarkers for Brain Cancer Survival Prediction
Indian Statistical Institute（印度统计学院）；University of South Florida（南佛罗里达大学）
通过多模态MRI预测脑癌患者的总生存期（OS）是一个具有挑战性的研究领域。大多数现有的生存预测文献都基于放射组学特征，没有考虑非生物因素或患者的功能性神经状态。此外，选择适当的生存截止值和删失数据的存在产生了进一步的问题。深度学习模型在OS预测中的应用也受到限制，因为缺乏大型注释的公开可用数据集。在这种情况下，我们分析了两个新的神经影像学功能家族的潜力，从大脑包裹地图集和空间栖息地提取，以及经典的放射组学和几何特征;研究其综合预测能力分析总体生存。提出了一种基于网格搜索的交叉验证策略，根据特征子集的预测能力同时选择和评估最具预测性的特征子集。采用Cox比例风险（CoxPH）模型进行单变量特征选择，然后通过三个多变量简约模型（即Coxnet，随机生存森林（RSF）和生存SVM（SSVM））预测患者特异性生存函数。用于本研究的脑癌MRI数据来自癌症成像档案馆（TCIA）的两个开放获取集合TCGA-GBM和TCGA-LGG。从癌症基因组图谱（TCGA）下载每个患者的相应生存数据。使用具有最佳$24$选择特征的RSF实现了$0.82\pm.10$的高交叉验证$C-index$评分。年龄被认为是最重要的生物学预测因素。分别从地块、生境、辐射组和基于区域的特征组中选择了$9$、$6$、$6$和$2$特征。
2021-09-03 cs.CV cs.LG eess.IV
Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients
Guilin University of Electronic Technology（桂林电子科技大学）；McGill University（麦吉尔大学）；Lady Davis Institute for Medical Research（戴维斯夫人医学研究所）
放射组学已经显示出对不同类型的癌症如神经胶质瘤预测临床结果的能力。它可以在治疗前评估免疫治疗反应的非侵入性手段。然而，使用基于深度卷积神经网络（CNN）的放射组学需要大量的训练图像集。为了避免这个问题，我们研究了一种新的成像特征，该特征使用学习的3D CNN特征的高斯混合模型（GMM）来建模分布。使用这些深层放射组学特征（DRF），我们的目标是预测神经胶质瘤患者的免疫标志物状态（低与高）和总生存率。我们通过在MRI扫描的标记肿瘤区域内聚合预先训练的3D-CNN的激活图来提取DRF，这些区域对应于151名患者的免疫标记物。我们的实验是为了评估所提出的DRF，三种免疫细胞标志物（巨噬细胞M1，中性粒细胞和T细胞滤泡辅助细胞）之间的关系，并测量它们与总生存期的相关性。使用随机森林（RF）模型，DRF能够预测免疫标志物状态，其中巨噬细胞M1、中性粒细胞和T细胞滤泡辅助细胞的ROC曲线下面积（AUC）分别为78.67%、83.93%和75.67%。将免疫标志物与DRF和临床变量相结合，Kaplan-Meier估计和Log-rank检验在预测的患者组之间获得最显著差异（短期与长期生存率），与免疫细胞标志物的p\，= 1，0.03，临床变量的p\，= 1，0.07，和p\，= 1，4.31 $\times$ 10 $^{-7}$相比，1.45 $\times$ 10 $^{-5}$用于DRF。我…
2022-06-04 cs.AI cs.CV eess.IV
Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT
Department of CS \& IT Institute for Advanced Studies in Basic Sciences (IASBS) Zanjan, Iran；Department of Computer Engineering University of Zanjan (ZNU) Zanjan, Iran
针对脑肿瘤低发病率被忽略的问题，提出基于YOLOv8n和DeiT知识蒸馏的异常鲁棒检测分类框架，并引入PTP患者级评估指标，在真实不平衡数据上实现高效且鲁棒的端到端诊断。
2025-07-01 cs.AI cs.CV cs.LG
DeepBrainPrint: A Novel Contrastive Framework for Brain MRI Re-Identification
Queen Square Analytics（女王广场分析公司）；University College London（伦敦大学学院）；VU University Medical Center（阿姆斯特丹自由大学医学中心）
本文提出半自监督对比学习框架DeepBrainPrint，通过脑指纹构建、加权训练和新影像变换，实现同一患者脑MRI的高效鲁棒检索，并在ADNI等数据集上验证其优于现有方法。
2023-09-24 cs.CV cs.LG eess.IV
Computer-aided diagnosis and prediction in brain disorders
Vrije Universiteit（阿姆斯特丹自由大学）；Amsterdam UMC（阿姆斯特丹大学医学中心）；Amsterdam Neuroscience（阿姆斯特丹神经科学研究所）；Erasmus MC（伊拉斯姆斯医学中心）；University College London（伦敦大学学院）；TU Delft（代尔夫特理工大学）
计算机辅助方法已经显示出诊断和预测脑部疾病的附加值，因此可以支持临床护理和治疗计划的决策。本章将深入了解方法的类型、工作原理、输入数据（如认知测试、成像和遗传数据）以及它们提供的输出类型。我们将专注于诊断的特定用例，即估计患者的当前“状况”，例如痴呆症的早期检测和诊断，脑肿瘤的鉴别诊断以及中风的决策。关于预测，即对患者未来“状况”的估计，我们将放大用例，例如预测多发性硬化症的病程和预测脑癌治疗后的患者结局。此外，基于这些用例，我们将评估当前最先进的方法，并强调当前对这些方法进行基准测试的努力以及其中开放科学的重要性。最后，我们评估了计算机辅助方法的当前临床影响，并讨论了增加临床影响所需的后续步骤。
2022-10-31 cs.LG eess.IV q-bio.NC
Normative Modeling using Multimodal Variational Autoencoders to Identify Abnormal Brain Structural Patterns in Alzheimer Disease
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出基于多模态变分自编码器的规范建模框架，用于识别阿尔茨海默病中异常脑结构模式，通过联合分布建模提高疾病阶段检测的敏感性和准确性。
2022-12-13 cs.LG eess.IV
Unveiling Intractable Epileptogenic Brain Networks with Deep Learning Algorithms: A Novel and Comprehensive Framework for Scalable Seizure Prediction with Unimodal Neuroimaging Data in Pediatric Patients
Bellevue College（贝尔维尤学院）；Google（谷歌公司）
本研究提出基于脑电图单模态数据的深度学习综合框架，用于预测小儿难治性癫痫发作，其中RNN、LSTM和CNN在关键指标上优于传统机器学习方法，有望改善临床护理。
2023-09-05 cs.AI cs.LG eess.IV
Score-based Generative Diffusion Models to Synthesize Full-dose FDG Brain PET from MRI in Epilepsy Patients
Department of Radiology, Stanford University（放射科，斯坦福大学）
本研究比较了扩散与非扩散深度学习模型在癫痫成像中从MRI合成全剂量FDG脑PET的性能，发现SGM-KD在纯MRI输入时表现最佳，而加入1%低剂量PET后所有模型均能准确合成全剂量图像。
2025-06-29 cs.LG eess.IV
MRI correlates of chronic symptoms in mild traumatic brain injury
Vanderbilt University（范德堡大学）；Vanderbilt University Institute of Imaging Science（范德堡大学影像科学研究所）
患有轻度创伤性脑损伤（mTBI）的退伍军人报告说，听觉和视觉功能障碍在急性事件之后仍然存在。这些症状背后的病因很难用目前的临床成像来表征。这些功能缺陷可能是由剪切损伤或微出血引起的，可以通过特殊的成像方式检测到。我们在多参数MRI的初步研究中探索这些假设。我们提取了1,000多个成像和临床指标，并将它们投影到低维空间，在那里我们可以区分健康对照和mTBI患者。我们还显示了度量表示和患者症状之间的相关性。
2020-06-22 cs.LG eess.IV q-bio.NC
Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks
Mathematics Area, mathLab, SISSA（SISSA数学区mathLab）；Dipartimento di Matematica e Fisica “N. Tartaglia”, Università Cattolica del Sacro Cuore（圣心大学N. Tartaglia数学与物理系）；Department of Neurosurgery – Fondazione I.R.C.C.S. Istituto Neurologico Carlo Besta（卡尔·贝斯塔神经科学研究所神经外科部）
本研究提出一种结合扩散界面模型、降阶建模与神经网络代理的胶质母细胞瘤生长预测框架，实现患者特异性参数识别与实时预测，并通过敏感性分析验证其鲁棒性，为神经肿瘤学数字孪生奠定基础。
2025-04-01 cs.LG cs.NA eess.IV
