MR2US-Pro: Prostate MR to Ultrasound Image Translation and Registration Based on Diffusion Models
Visual Information Laboratory, University of Bristol（布里斯托大学视觉信息实验室）；Southmead Hospital, North Bristol NHS Trust（北布里斯托NHS信托南梅德医院）
本文提出MR2US-Pro框架，通过无探头跟踪的TRUS三维重建和基于扩散模型的无监督跨模态配准，将MR与US映射到伪中间模态并结合解剖感知策略，实现高精度前列腺图像配准。
2025-05-31 cs.CV eess.IV
A Steerable Deep Network for Model-Free Diffusion MRI Registration
University of Florida（佛罗里达大学）
提出SE(3)-等变UNet与Fourier空间MMD损失，将原始dMRI配准建模为位置-方向空间等变微分同胚，实现无需派生表示和显式重定向的非刚性配准。
2025-01-10 cs.CV cs.LG eess.IV
GraphSVR: q-Space--Aware Graph-Based Slice-to-Volume Registration for Diffusion MRI
Technion – Israel Institute of Technology（以色列理工学院）；Institute of Science and Technology Austria (ISTA)（奥地利科学技术学院）
针对扩散MRI中4D切片到体素配准问题，提出q空间感知图基框架GraphSVR，通过图神经网络预测全局一致的刚性运动，在严重运动下相比FSL eddy将误差降低73%。
2026-09-22 cs.CV eess.IV
Plug-and-Play Priors for Reconstruction-based Placental Image Registration
本文提出了一种新的可变形配准框架，利用通过去噪函数指定的图像先验，用于严重噪声污染的胎盘图像。最近的工作，即插即用（PIPE）先验显示了国家的最先进的性能重建算法下，这样的先验在一系列的成像应用。将强大的图像去噪器集成到高级配准方法中，为我们的模型提供了灵活性，以适应具有低信噪比（SNR）的数据集。我们证明了我们的方法的性能下各种各样的去噪模型的背景下，纯图像配准。实验结果表明，我们的模型大大提高了空间对齐的准确性，在应用程序的三维宫内扩散加权MR图像（DW-MRI），遭受低信噪比和大的空间变换。
2019-09-03 eess.IV
Longitudinal diffusion MRI analysis using Segis-Net: a single-step deep-learning framework for simultaneous segmentation and registration
Erasmus MC（伊拉斯姆斯大学医学中心）；Delft University of Technology（代尔夫特理工大学）
这项工作提出了一个用于纵向图像分析的单步的【形】深度学习框架，称为Segis-Net。为了最佳地利用纵向数据中可用的信息，该方法同时学习多类分割和非线性配准。分割和配准使用卷积神经网络建模，并同时优化它们的共同利益。提出了一种优化跨时间点的分割结构的空间对应性的目标函数。我们应用Segis-Net对3249名老年人的N=8045个纵向脑MRI数据集的白质束进行分析。与两个多级流水线相比，Segis-Net方法在配准精度、时空分割一致性和再现性方面都有显著提高。这也导致了样本量的大幅减少，而在分析特定领域的措施时，要达到相同的统计功效，就必须减少样本量。因此，我们期望Segis-Net可以作为一种新的可靠工具，支持纵向成像研究，以研究随着时间的推移大脑的宏观和微观结构变化。
2021-04-23 cs.AI cs.CV eess.IV
Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis
Radboudumc（拉德堡德大学医学中心）；Fraunhofer MEVIS（弗劳恩霍夫梅维斯研究所）；Universität zu Lübeck（吕贝克大学）；University Medical Center Groningen（格罗宁根大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）；Norwegian University of Science and Technology（挪威科技大学）
本文研究MRI序列配准对AI前列腺癌诊断的影响，发现可变形配准虽显著改善病灶对齐（Dice中位数+10%），但诊断性能提升不显著（AUROC+0.3%），提示需联合开发配准与诊断算法。
2024-06-28 cs.CV eess.IV q-bio.QM
Learning unbiased group-wise registration (LUGR) and joint segmentation: evaluation on longitudinal diffusion MRI
Erasmus MC（伊拉斯姆斯医学中心）；Delft University of Technology（代尔夫特理工大学）
成像研究中的纵向变化分析通常涉及感兴趣结构的分割和多个时间帧的配准。这种分析的准确性可以受益于定制的框架，该框架联合优化这两项任务，以充分利用纵向数据中的可用信息。大多数基于学习的配准算法，包括联合优化方法，目前由于选择固定的参考系而遭受偏差，并且仅支持成对变换。在这里，我们提出了一个分析框架的基础上，无偏学习策略组明智的注册，同时注册图像的平均空间的一组，以获得一致的分割。我们评估了所提出的方法对脑MRI数据集中白质束的纵向分析，该数据集具有3249个个体的2-3个时间点，即，共8045张图片该方法的重现性进行了评价，从97个人的测试-重测数据。结果证实，隐式参考图像是输入图像的平均值。此外，所提出的框架导致一致的分割和显着较低的处理偏差比成对固定参考的方法。这种处理偏差甚至小于仅通过一个体素平移分割时获得的偏差，这可以归因于细微的数值不稳定性和插值。因此，我们假设所提出的平均空间学习策略可以广泛应用于基于学习的注册任务。此外，这种分组框架通过直接构建无偏的受试者内模板并允许可靠和有效地分析时空成像生物标志物，为基于学习的纵向研究引入了一种新方法。
2021-02-24 cs.AI cs.CV eess.IV
PDE-constrained shape registration to characterize biological growth and morphogenesis from imaging data
我们提出了一个偏微分方程约束的形状配准算法，捕捉变形和生长的生物组织从成像数据。形状配准是通过空间变换函数评估几何形状对之间的最佳对准的过程。我们从我们以前报道的工作，它使用三维张量积B样条基函数插值三维空间。在这里，B样条控制点的移动，与描述组织形状的隐函数组成，产生总变形梯度场。然后将变形梯度分为生长和弹性贡献。生长张量捕获质量的增加，即生长，并且根据通常是弹性形变的函数的本构方程演化。仅由于变形的弹性分量而在材料中产生应力。通过最小化总能量泛函来获得配准的结果，该总能量泛函包括：反映形状之间的相似性的距离度量，以及考虑组织生长的总弹性能量。我们应用所提出的形状配准框架研究斑马鱼胚胎表皮过程和皮肤重建手术中的组织扩张。我们预计，我们的偏微分方程约束的形状配准方法将提高我们的生物和医学问题，其中组织经历极端变形随着时间的推移的理解。
2022-04-05 cond-mat.soft eess.IV physics.bio-ph
Cross-Modality Image Registration using a Training-Time Privileged Third Modality
University College London（伦敦大学学院）；InstaDeep Co.（InstaDeep公司）；City University of Hong Kong（香港城市大学）
在这项工作中，我们考虑成对的跨模态图像配准的任务，这可能会受益于利用额外的图像，仅在训练时间从一个额外的模态，这是不同的注册。作为一个例子，我们专注于对齐受试者内多参数磁共振（mpMR）图像，在T2加权（T2 w）扫描和扩散加权扫描与高b值（DWI $_{high-b}$）。对于在mpMR图像中定位肿瘤的应用，由于相应功能的可用性，认为b值为零的弥散扫描（DWI $_{b=0}$）更容易配准到T2 w。我们提出了一个学习特权模态算法，使用一个训练只成像模态DWI $_{b=0}$，以支持具有挑战性的多模态配准问题。我们目前的实验结果的基础上369套3D多参数MRI图像从356前列腺癌患者和报告，具有统计学意义，降低中位数目标配准误差为4.34毫米，当注册的holdout DWI $_{high-b}$和T2 w图像对，与7.96毫米注册前相比。结果还表明，所提出的基于学习的配准网络，使有效的配准具有可比或更好的准确性，与经典的迭代算法和其他测试的基于学习的方法，有/没有额外的模态。这些比较算法也未能在该具有挑战性的应用中产生DWI $_{high-b}$和T2 w之间的任何显著改进的对齐。
2022-07-26 cs.CV eess.IV
FlexDTI: Flexible diffusion gradient encoding scheme-based highly efficient diffusion tensor imaging using deep learning
FlexDTI是一种基于动态卷积的深度学习DTI重建方法，能灵活处理扩散梯度数量和方向的变化，相比最先进方法在FA和MD上分别降低NRMSE约50%和15%，兼顾灵活性与重建质量。
2023-12-21 eess.IV
Deep Learning-Based Desikan-Killiany Parcellation of the Brain Using Diffusion MRI
本研究提出一种基于深度学习的两阶段分层网络框架，仅使用扩散MRI数据直接进行Desikan-Killiany脑区分割，无需模态间配准，在多个数据集上取得更优的分割精度与泛化能力。
2025-08-11 eess.IV
Diff-DTI: Fast Diffusion Tensor Imaging Using A Feature-Enhanced Joint Diffusion Model
Diff-DTI利用特征增强联合扩散模型，从少量弥散加权图像快速生成高保真DTI参数图，在HCP数据集上超越现有方法，且仅需三幅DWI即可成像。
2024-05-24 eess.IV
Magic DIAMOND: Multi-Fascicle Diffusion Compartment Imaging with Tensor Distribution Modeling and Tensor-Valued Diffusion Encoding
与常规解剖成像相比，弥散张量成像对显微结构组织变化的敏感性增加，但特异性有限。为了解决这个问题，DIAMOND模型将体素内容细分为扩散区室，并从扩散加权数据中提取以估计扩散张量的区室非中心矩阵变量Gamma分布，从而解决交叉束，同时考虑其各自的异质性。或者，张量值扩散编码定义了新的采集方案，直接从测量结果标记体素内扩散张量分布的特定特征。然而，这种方案对估计大脑微观结构特征的影响只在少数参数单束模型中进行了研究。在这项工作中，我们推导出一个一般的拉普拉斯变换的非中心矩阵变量伽玛分布，这使得扩展的钻石张量值编码数据。然后，我们评估这个“魔术钻石”模型在硅片和在体内的各种组合的张量值编码的数据。通过分层自举评估参数估计的不确定性，我们通过进行多峰纤维束成像研究基于体素和基于固定的度量。我们表明，我们的估计指标可以沿着轨道映射鲁棒跨区域的纤维交叉，这开辟了新的视角，沿着特定的白质束的tractometry和微结构映射。
2020-04-17 eess.IV physics.med-ph
MSRepaint: Multiple Sclerosis Repaint with Conditional Denoising Diffusion Implicit Model for Bidirectional Lesion Filling and Synthesis
针对多发性硬化病灶干扰MRI分析、分割训练数据不足的问题，提出基于扩散模型的MSRepaint，可双向实现病灶填充与合成，兼具高精度与快推理，还能模拟病灶演化。
2025-10-02 eess.IV
USLR: an open-source tool for unbiased and smooth longitudinal registration of brain MR
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；University of Barcelona（巴塞罗那大学）；University College London（伦敦大学学院）；Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN)（生物工程、生物材料与纳米医学生物医学研究中心（CIBER-BBN））；Massachusetts General Hospital and Harvard Medical School（马萨诸塞总医院和哈佛医学院）；Massachusetts Institute of Technology（麻省理工学院）
USLR是一个开源工具，通过李代数参数化和贝叶斯推断实现脑部MRI纵向配准，提供无偏、平滑的时间轨迹，并在阿尔茨海默病研究中优于横断面方法，有助于检测细微萎缩和减少临床试验样本量。
2023-11-14 cs.CV eess.IV
FetDTIAlign: A Deep Learning Framework for Affine and Deformable Registration of Fetal Brain dMRI
Department of Radiology, Boston Children’s Hospital, and Harvard Medical School（放射科、波士顿儿童医院和哈佛医学院）
本文提出 FetDTIAlign 深度学习框架，通过双编码器与迭代特征推理实现胎儿脑 dMRI 的仿射和可变形配准，并在多孕周及外部数据上验证其优越性与泛化性。
2025-02-24 cs.AI eess.IV
LAPNet: Non-rigid Registration derived in k-space for Magnetic Resonance Imaging
University of Stuttgart（斯图加特大学）；ShanghaiTech University（上海科技大学）；RMIT University（皇家墨尔本理工大学）
磁共振（MR）图像采集期间的生理运动（例如心脏和呼吸运动）可能导致图像伪影。已经提出了运动校正技术来补偿胸部扫描期间的这些类型的运动，这依赖于来自欠采样运动分辨重建的精确运动估计。一个特别的兴趣和挑战在于从欠采样运动分辨数据中导出可靠的非刚性运动场。运动估计通常通过扩散、参数样条或光流方法在图像空间中公式化。然而，基于图像的配准可能会受到由于欠采样运动分辨重建而产生的剩余混叠伪影的影响。在这项工作中，我们描述了一种直接在采样傅立叶空间（即k空间）中执行非刚性配准的形式主义。我们提出了一种基于深度学习的方法，可以从欠采样的k空间数据中执行快速准确的非刚性配准。其基本工作原理源于局部全通（Local All-Pass，简称OTT）技术，这是一种最近引入的基于光流的配准技术。将拟议的LAPNet与传统和深度学习基于图像的配准进行比较，并在40名疑似肝或肺转移患者和25名患者的队列中对完全采样和高度加速（采用两种欠采样策略）的3D呼吸运动分辨MR图像进行测试。健康受试者。拟议的LAPNet提供了一致的和优越的性能，以图像为基础的方法在不同的采样轨迹和加速因素。
2021-07-19 cs.AI cs.CV cs.LG
IVIM-Morph: Motion-compensated quantitative Intra-voxel Incoherent Motion (IVIM) analysis for functional fetal lung maturity assessment from diffusion-weighted MRI data
Faculty of Biomedical Engineering, Technion（以色列理工学院 生物医学工程学院）；Boston Children’s Hospital（波士顿儿童医院）
本文提出自监督深度模型IVIM-Morph，通过配准与IVIM拟合子网络联合估计运动与模型参数，提升胎儿肺DWI定量分析对胎龄的相关性，用于无创评估胎儿肺成熟度。
2025-01-02 cs.CV eess.IV q-bio.QM
Learning Physics-Inspired Regularization for Medical Image Registration with Hypernetworks
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Helmholtz Munich（亥姆霍兹慕尼黑中心）；King’s College London（伦敦国王学院）
本文提出利用超网络学习线性弹性正则化器中物理参数对形变场的影响，通过调整HyperMorph框架，在测试时高效发现适合特定数据的医学图像配准物理参数。
2023-12-04 cs.AI cs.CV eess.IV
3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors
University of Washington（华盛顿大学）
形变图像配准是医学图像分析中的一项关键任务。脑肿瘤序列配准挑战（BraTS-Reg）旨在建立诊断为成人脑弥漫性高级别胶质瘤的同一患者的术前和随访扫描之间的对应关系，并旨在解决配准纵向数据与主要组织外观变化的挑战性任务。在这项工作中，我们提出了一个两级级联网络的基础上的Inception和transMorph模型。每例患者的数据集包括原生造影前（T1）、造影增强T1加权（T1-CE）、T2加权（T2）和液体衰减反转恢复（FLAIR）。Inception模型用于将4种图像模态融合在一起并提取最相关的信息。然后，一个变体的transMorph架构是适应产生的位移场。Loss函数由标准图像相似性度量、扩散正则化器和边缘图相似性度量组成，增加边缘图相似性度量以克服强度依赖性并增强正确的边界变形。我们观察到，Inception模块的加入大大提高了网络的性能。此外，在训练模型之前执行初始仿射配准显示了术前和术后MRI之间标志误差测量的准确性提高。我们观察到，由Inception和TransMorph架构组成的最佳模型在使用初始仿射注册数据集时具有最佳性能，绝对误差中位数为2.91（初始误差= 7.8）。我们在BraTS-Reg挑战的最终测试阶段提交模型时获得第6名。
2022-12-08 cs.CV eess.IV
Atlas-powered deep learning (ADL) -- application to diffusion weighted MRI
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
深度学习在估计扩散加权磁共振成像（dMRI）中的生物标志物方面具有巨大潜力。另一方面，生物标志物酶是用于模拟生物标志物的时空变异性的独特工具。在本文中，我们提出了第一个利用深度学习和地图集进行dMRI生物标志物估计的框架。我们的框架依赖于非线性扩散张量配准来计算生物标志物图谱和估计图谱可靠性图。我们还使用非线性张量配准来将图集与受试者对齐并估计这种对齐的误差。除了dMRI信号外，我们还使用生物标志物图谱、图谱可靠性图和比对误差图作为深度学习模型的输入，用于生物标志物估计。我们使用我们的框架来估计分数各向异性和神经突方向分散从下采样的dMRI数据的测试队列的70名新生儿受试者。结果表明，我们的方法明显优于标准估计方法以及最近的深度学习技术。我们的方法对更强的测量下采样因子也更鲁棒。我们的研究表明，深度学习和图谱的优势可以协同结合，以实现从dMRI数据中进行生物标志物估计的前所未有的准确性。
2022-05-05 cs.AI cs.CV cs.LG
Diffusion Tensor Estimation with Transformer Neural Networks
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
扩散张量成像（DTI）是一种广泛应用于研究脑白质发育和变性的方法。然而，标准的DTI估计方法依赖于大量的高质量测量。这将需要较长的扫描时间，并且对于某些患者人群（例如新生儿）可能特别难以实现。在这里，我们提出了一种方法，可以准确地估计扩散张量，只有六个扩散加权测量。我们的方法通过学习利用相邻体素中的扩散信号和张量之间的关系来实现这一点。我们的模型是基于Transformer网络，它代表了最先进的建模序列中的信号之间的关系。特别是，我们的模型由两个这样的网络组成。第一网络基于体素的邻域中的扩散信号来估计扩散张量。第二网络通过学习扩散信号之间的关系以及由第一网络在相邻体素中估计的张量来提供更准确的张量估计。我们对三个数据集的实验表明，我们提出的方法实现了高精度的扩散张量估计，并显着优于三个竞争的方法。我们的方法与6个扩散加权测量产生的估计与30-88扩散加权测量的标准估计方法相媲美。因此，我们的方法承诺更短的扫描时间和更可靠的评估脑白质，特别是在不合作的患者，如新生儿和婴儿。
2022-11-14 cs.LG eess.IV q-bio.NC
NestedMorph: Enhancing Deformable Medical Image Registration with Nested Attention Mechanisms
Montreal Neurological Institute, McGill University（麦吉尔大学蒙特利尔神经学研究所）；Dept. of Ophthalmology, McGill University（麦吉尔大学眼科系）
本文提出 NestedMorph 网络，通过嵌套注意力融合与多尺度编解码特征整合提升 T1w MRI 与 dMRI 的可变形配准，并在 HCP 数据集上优于多种 CNN、Transformer 及传统方法。
2024-12-09 cs.CV eess.IV
TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted Diffusion Tensor Imaging
University of Sydney（悉尼大学）；Sydney Neuroimaging Analysis Centre（悉尼神经影像分析中心）
扩散加权成像（DWI）是一种先进的成像技术，通常通过扩散张量成像（DTI）模型用于神经科学和神经临床研究。包括分数各向异性、平均扩散率和轴向扩散率的体积标量度量可以从DTI模型中导出，以总结水扩散率和用于临床研究的其他定量微观结构信息。然而，临床实践约束可能导致次优DWI采集，缺失切片（由于视野有限或采集中断切片）。为了避免在分组研究中丢弃有价值的主题，我们提出了一种新的3D Tensor-Wise Brain-Aware Gate网络（TW-BAG），用于修复中断的DTI。所提出的方法是针对问题的动态门机制和独立的张量明智的解码器。我们评估了所提出的方法上公开可用的人类连接组计划（HCP）数据集，使用来自预测张量和标量DTI指标的常见图像相似性度量。实验结果表明，该方法可以重建原始脑DTI体积，并恢复相关的临床成像信息。
2022-10-31 cs.CV eess.IV
Coupling Brain-Tumor Biophysical Models and Diffeomorphic Image Registration
我们提出了SIBIA（可扩展的集成基于生物物理学的图像分析）框架，用于联合图像配准和生物物理反演，并将其应用于分析胶质母细胞瘤（原发性脑肿瘤）的MR图像。具体地，我们考虑以下问题。给定正常脑MRI的分割和癌症患者MRI的分割，我们希望确定肿瘤生长参数和配准图，使得如果我们在正常分割图像中"生长肿瘤"（使用我们的肿瘤模型），然后将其配准到患者分割图像，则配准失配尽可能小。我们称之为“耦合问题”，因为它双向耦合的生物物理反演和注册问题。在图像配准步骤中，我们解决了由欧拉速度场参数化的大变形同构配准问题。在生物物理反演步骤中，我们估计反应扩散肿瘤生长模型中的参数，该模型被配制为偏微分方程。在本文中，我们的贡献是引入的耦合问题的偏微分方程约束的优化配方，推导出的最优性条件，并推导出的Picard迭代方案的耦合问题的解决方案。此外，我们还进行了几项测试，以实验方式评估我们的方法在合成和临床数据集上的性能。我们展示了SIBIA优化求解器在不同使用场景中的收敛性。我们证明，我们可以在几分钟内使用11个双x86节点准确地解决三维耦合问题（$256^3$分辨率）。此外，我们证明，与我们的耦合方法，我们可以成功地注册正常的MRI到肿瘤的MRI，同时获得骰子系数匹配时实现的注册正常到正常的MRI。
2018-03-02 eess.IV math.OC physics.med-ph
Deep learning-based parameter mapping for joint relaxation and diffusion tensor MR Fingerprinting
磁共振指纹（MRF）能够同时量化生物组织的多种特性。它依赖于一个伪随机采集和采集信号演变的匹配预先计算的字典。然而，字典是不可扩展到更高的参数空间，限制MRF的同时映射只有少数参数（质子密度，T1和T2的一般）。受扩散加权SSFP成像的启发，我们提出了一种新的MRF序列的概念验证，该序列沿所有三个轴嵌入扩散编码梯度，以有效地编码定向扩散和T1和T2弛豫。我们利用卷积神经网络（CNN）从这个单一的、高度欠采样的采集中重建多个定量图。我们通过学习时空MRF数据与T1，T2和扩散张量参数之间的隐含物理关系，绕过昂贵的字典匹配。预测的参数图和导出的标量扩散度量与最先进的参考协议一致。从估计的主扩散方向来看，捕获定向扩散信息。除此之外，关节采集和重建框架证明能够保留多发性硬化病变中的组织异常。
2020-05-05 eess.IV physics.med-ph
SRDTI: Deep learning-based super-resolution for diffusion tensor MRI
Massachusetts General Hospital（马萨诸塞综合医院）；Harvard Medical School（哈佛医学院）；Tsinghua University（清华大学）；Stanford University（斯坦福大学）
高分辨率弥散张量成像（DTI）有利于探测精细神经解剖结构中的组织微结构，但长扫描时间和有限的信噪比对以亚毫米分辨率采集DTI构成了重大障碍。为了应对这一挑战，我们提出了一种基于深度学习的超分辨率方法“SRDTI”，用于从低分辨率DWI合成高分辨率扩散加权图像（DWI）。SRDTI采用深度卷积神经网络（CNN）、残差学习和多对比度成像，并生成具有丰富纹理细节和微观结构信息的高质量结果，这些结果比三线性和三次样条插值更类似于高分辨率地面实况。
2021-02-17 cs.LG eess.IV physics.med-ph
Denoising diffusion-based MRI to CT image translation enables automated spinal segmentation
Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar（右伊萨尔医院）；University of Zurich（苏黎世大学）；Institut für KI und Informatik in der Medizin（医学人工智能与信息学研究所）；Imperial College London（伦敦帝国学院）
本研究利用去噪扩散模型实现MRI到CT图像转换，通过每椎骨两个地标配准，3D方法优于2D，Dice分数达0.80，实现解剖学准确的自动化脊柱分割。
2023-11-14 cs.CV cs.LG eess.IV
AID-DTI: Accelerating High-fidelity Diffusion Tensor Imaging with Detail-Preserving Model-based Deep Learning
Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院保罗·C·劳特伯生物医学成像研究中心）；University of Chinese Academy of Sciences（中国科学院大学）；State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）；Institute of International Innovation, Beihang University（北京航空航天大学国际创新研究院）；Peng Cheng Laboratory（鹏城实验室）
本文提出AID-DTI方法，通过引入基于SVD的正则化器，仅需6次测量即可实现快速且高保真的DTI参数图重建，有效抑制噪声并保留细节，在HCP数据上定量与定性均优于三种现有方法。
2024-01-03 cs.CV eess.IV
DDCSR: A Novel End-to-End Deep Learning Framework for Cortical Surface Reconstruction from Diffusion MRI
本文提出新型端到端深度学习框架DDCSR，首次实现直接从Diffusion MRI数据进行皮层表面重建，通过隐式与显式学习模块预测中间表面表示和3D网格表面，大幅提升了重建的准确性与效率，并具备跨数据源的高泛化能力。
2025-03-05 cs.GR eess.IV q-bio.TO
Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis
The Kennedy Institute of Rheumatology, University of Oxford, U.K.；Chinese Academy of Medical Sciences Oxford Institute, University of Oxford, U.K.；Big Data Institute, University of Oxford, U.K.；edited MRC Laboratory of Medical Sciences, Imperial College London, U.K.；Department of Computer Science, University of Oxford, Oxford, U.K. [12.5pt] Project page: -5pt
DRDM通过变形场生成解剖学合理的图像变形，提升医学影像的数据增强与合成效果。
2026-02-11 cs.CE cs.CV eess.IV
Recover Cell Tensor: Diffusion-Equivalent Tensor Completion for Fluorescence Microscopy Imaging
Hong Kong（香港）
本文提出了一种针对荧光显微成像的张量补全框架，通过等价生成模型提升3D细胞张量的恢复精度。
2026-01-27 eess.IV eess.SP
Discovering Hidden Physics Behind Transport Dynamics
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Kitware Inc.（Kitware公司）
运输过程无处不在。例如，它们是光流方法的核心;或灌注成像，其中最常见的是通过注射示踪剂来评估血液运输。对流扩散方程被广泛用于描述这些传输现象。我们的目标是估计基本的物理对流扩散方程，表示为速度和扩散张量场。我们提出了一个学习框架（YETI），它建立在2D和3D图像时间序列之间的自动编码器结构上，其中包含对流扩散模型。为了帮助识别，我们开发了一个对流扩散模拟器，它允许使用速度和扩散张量场通过监督学习对我们的模型进行预训练。而不是直接学习这些速度和扩散张量场，我们介绍表示，确保不可压缩流和对称的半正定扩散场，并证明这些表示提高估计精度的额外好处。我们进一步使用迁移学习将YETI应用于中风患者的公共脑磁共振（MR）灌注数据集，并通过估计的速度和弥散张量场显示其成功区分中风病变与正常脑区域的能力。
2021-03-29 cs.CV eess.IV
Deep Learning-based Diffusion Tensor Cardiac Magnetic Resonance Reconstruction: A Comparison Study
National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Royal Brompton Hospital（皇家布朗普顿医院）；University of Cambridge（剑桥大学）
本文研究并对比了三种基于深度学习的MRI重建模型在cDTI中的应用，发现SwinMR在AF×2和×4时为最佳重建方法，但所有模型在AF×8时性能受限，尚不适合临床使用。
2023-04-04 cs.CV eess.IV physics.med-ph
SuperDTI: Ultrafast diffusion tensor imaging and fiber tractography with deep learning
University at Buffalo, State University of New York（纽约州立大学布法罗分校）；New York University School of Medicine（纽约大学医学院）；Peking Union Medical College Hospital（北京协和医院）；Peking Union Medical College（北京协和医学院）；Chinese Academy of Medical Sciences（中国医学科学院）；SIAT, CAS（中国科学院深圳先进技术研究院）；Virginia Tech（弗吉尼亚理工大学）
目的：提出一种基于深度学习的重建框架，用于超快和鲁棒的扩散张量成像和纤维束成像。研究方法：我们提出SuperDTI来学习扩散加权图像（DWI）和相应的张量导出的定量图以及纤维束成像之间的非线性关系。超级DTI绕过张量拟合过程，众所周知，张量拟合过程对DWI中的噪声和运动非常敏感。该网络使用来自人类连接组项目和缺血性中风患者的数据集进行训练和测试。SuperDTI与最先进的弥散图重建和纤维追踪方法进行了比较。结果如下：使用来自相同协议和扫描仪的训练和测试数据，SuperDTI可以从少至六个原始DWI生成分数各向异性和平均扩散率图以及纤维束成像。该方法在白质和灰质结构的所有感兴趣区域中实现了小于5%的量化误差。我们还证明了训练的神经网络对测试数据中的噪声和运动具有鲁棒性，并且使用健康志愿者数据训练的网络可以直接应用于中风患者数据，而不会影响病变的可检测性。结论：本文展示了使用深度学习进行超快速扩散张量成像和纤维束成像的可行性，直接使用最少六个DWI，绕过张量拟合。扫描时间的这种显著减少可以允许将DTI纳入临床常规中以用于许多潜在应用。
2021-03-24 cs.LG eess.IV physics.med-ph
SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI
Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital（马萨诸塞州总医院阿蒂努拉·A·马蒂诺斯生物医学成像中心）；Department of Radiology, Harvard Medical School（哈佛医学院放射学系）；Department of Biomedical Engineering, Tsinghua University（清华大学生物医学工程系）；Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology（麻省理工学院哈佛-麻省理工健康科学与技术部）
弥散加权图像（DWI）中的噪声降低了弥散张量磁共振成像（DTI）获得的微结构参数的准确性和精度，并导致为提高信噪比（SNR）而延长的采集时间。使用卷积神经网络（CNN）的基于深度学习的图像去噪具有优越的性能，但通常需要额外的高SNR数据来监督CNN的训练，这降低了实际可行性。我们开发了一种名为“SDnDTI”的基于自监督深度学习的方法，用于对DTI数据进行去噪，该方法不需要额外的高SNR数据进行训练。具体而言，SDnDTI将多方向DTI数据划分为许多子集，每个子集由沿着最佳选择的扩散编码方向的六个DWI体积组成，这些方向对张量拟合的噪声具有鲁棒性，然后使用每个数据子集作为CNN的输入数据从拟合的扩散张量合成沿着所有采集方向的DWI体积。另一方面，SDnDTI从使用所有采集的数据作为训练目标拟合的扩散张量合成沿着采集的具有更高SNR的扩散编码方向的DWI体积。SDnDTI使用深层3维CNN从合成DWI体积的每个子集中去除噪声，以匹配更清晰的目标DWI体积的质量，并通过对所有降噪数据子集进行平均来实现更高的SNR。SDnDTI的去噪效果在人类连接组项目（HCP）和寿命HCP老化提供的两个数据集上得到了证明。SDnDTI结果保留了图像清晰度和纹理细节，并在原始数据的基础上大幅改善。SDnDTI的结果与基于监督学习的去噪结果相当，并且优于BM 4D、AONLM和MPPCA等最先进的传统去噪…
2021-11-14 cs.LG eess.IV physics.med-ph
Diffusion Tensor Estimation with Uncertainty Calibration
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
提出一种基于深度学习的扩散张量估计及不确定性计算方法，利用损失衰减和Monte Carlo dropout分别量化数据与模型不确定性，在少量测量下精度更高且校准更好，能有效揭示偏差、检测领域偏移和反映噪声强度。
2024-08-27 cs.AI cs.LG eess.IV
CNN-Based Invertible Wavelet Scattering for the Investigation of Diffusion Properties of the In Vivo Human Heart in Diffusion Tensor Imaging
Guizhou University（贵州大学）；Harbin Medical University Cancer Hospital（哈尔滨医科大学附属肿瘤医院）；Beijing Jiaotong University（北京交通大学）；Shanghai Jiao Tong University（上海交通大学）；University Lyon, INSA Lyon, CNRS, Inserm, IRP Metislab CREATIS UMR5220, U1206（里昂大学、里昂国立应用科学学院、法国国家科学研究中心、法国国家健康与医学研究院、IRP Metislab CREATIS UMR5220、U1206）
在体扩散张量成像（DTI）是一种很有前途的技术，可以无创地研究在体人类心脏的纤维结构。然而，由于运动引起的信号损失仍然是在体心脏DTI中的一个持续问题。我们提出了一种新的运动补偿方法，用于研究自由呼吸采集的DTI中的体内心肌结构。该方法是基于一个可逆的小波散射实现的卷积神经网络（WSCNN）。它包括第一次从DW图像在不同的触发延迟采集提取的小波散射不变的特征，然后映射到运动补偿的空间DW图像通过执行逆小波散射变换实现使用CNN的融合的散射特征。模拟和采集的在体心脏DW图像的结果表明，所提出的WSCNN方法有效地补偿了运动引起的信号损失，并产生在体心脏DW图像与现有的方法相比，具有更好的质量和更连贯的纤维结构，这使得它成为一个有趣的方法，正确测量在体人体心脏的扩散特性在自由呼吸下的DTI。
2019-12-17 cs.CV cs.LG eess.IV
A Generalized Framework for Analytic Regularization of Uniform Cubic B-spline Displacement Fields
本文提出了一个支持五种正则化器的均匀三次B样条位移场解析正则化广义框架，在保证精度的同时，计算速度比数值方法快达两个数量级。
2021-04-05 cs.NA eess.IV math.NA
