Model and predict age and sex in healthy subjects using brain white matter features: A deep learning approach
Glasgow College, University of Electronic Science and Technology of China（电子科技大学格拉斯哥学院）；Brigham and Women's Hospital, Harvard Medical School（哈佛医学院布莱根妇女医院）
Hao He, Fan Zhang, Steve Pieper, Nikos Makris, Yogesh Rathi, William Wells, Lauren J. O'Donnell
The human brain's white matter (WM) structure is of immense interest to the scientific community. Diffusion MRI gives a powerful tool to describe the brain WM structure noninvasively. To potentially enable monitoring of age-related changes and investigation of sex-related brain structure differences on the mapping between the brain connectome and healthy subjects' age and sex, we extract fiber-cluster-based diffusion features and predict sex and age with a novel ensembled neural network classifier. We conduct experiments on the Human Connectome Project (HCP) young adult dataset and show that our model achieves 94.82% accuracy in sex prediction and 2.51 years MAE in age prediction. We also show that the fractional anisotropy (FA) is the most predictive of sex, while the number of fibers is the most predictive of age and the combination of different features can improve the model performance.
BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet
University of Pittsburgh（匹兹堡大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cedars-Sinai Medical Center（西德萨斯医疗中心）；Mayo Clinic Arizona（梅奥诊所亚利桑那分部）
Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting
University Hospital Basel（巴塞尔大学医院）；Helmholtz Center Munich（慕尼黑亥姆霍兹中心）；Helmholtz AI（亥姆霍兹人工智能）；Technical University of Munich（慕尼黑工业大学）；University of Basel（巴塞尔大学）；University of Zurich（苏黎世大学）；Klinikum rechts der Isar（伊斯河畔医院）；TranslaTUM - Central Institute for Translational Cancer Research（慕尼黑工业大学转化肿瘤学中央研究所（TranslaTUM））
Studying the Effects of Sex-related Differences on Brain Age Prediction using brain MR Imaging
University of Calgary（卡尔加里大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格布尔分校）；Dayalbagh Educational Institute (Deemed University)（达亚尔巴格教育学院（被视为大学））
Hierarchical Diffusion Framework for Pseudo-Healthy Brain MRI Inpainting with Enhanced 3D Consistency
The Grainger College of Engineering（格拉inger工程学院）；National Center for Supercomputing Applications（国家超级计算应用中心）；University of Illinois Urbana‑Champaign（伊利诺伊大学厄巴纳-香槟分校）
Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET
Sorbonne Université（索邦大学）；Institut du Cerveau - Paris Brain Institute - ICM（巴黎大脑研究所）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）；AP-HP（巴黎公立医院集团）；Hôpital de la Pitié Salpêtrière（皮提耶-萨勒佩特里医院）
Estimating brain age based on a healthy population with deep learning and structural MRI
Columbia University（哥伦比亚大学）；Carnegie Mellon University（卡内基梅隆大学）；Taub Institute for Research on Alzheimer’s Disease and the Aging Brain（陶布阿尔茨海默病与衰老大脑研究所）
Conditional diffusion models for guided anomaly detection in brain images using fluid-driven anomaly randomization
Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School, Boston, USA（Athinoula A. Martinos 生物医学成像中心、麻省总医院和哈佛医学院，波士顿，美国）；Danish Research Centre for Magnetic Resonance, Department of Radiology and Nuclear Medicine（丹麦磁共振研究中心、放射学与核医学部门）；Copenhagen University Hospital– Amager and Hvidovre（哥本哈根大学医院–阿马格和赫维多尔）
MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction
LPIXEL Inc.（LPIXEL公司）；University of Cambridge（剑桥大学）；National Institute of Informatics（国立信息学研究所）；National Center for Global Health and Medicine（国立国际医疗研究中心）；Juntendo University（顺天堂大学）；ELTE Eötvös Loránd University（厄特沃什·罗兰大学）；The University of Tokyo（东京大学）
The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting
Helmholtz AI, Germany（亥姆霍兹人工智能研究所）；Technical University of Munich, Germany（慕尼黑工业大学）；Helmholtz Munich, Germany（亥姆霍兹慕尼黑中心）；University of Zurich, Switzerland（苏黎世大学）；Klinikum Rechts der Isar, Munich, Germany（慕尼黑右岸医院）；SETLabs Research GmbH, Healthcare Technologies, Munich, Germany（SETLabs研究有限公司）；Ludwig Maximilian University, Munich, Germany（路德维希马克西米利安慕尼黑大学）
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医疗技术与智能系统研究所）；jung diagnostics GmbH（jung diagnostics GmbH公司）；Hamburg University of Technology（汉堡工业大学）
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images
University of Edinburgh（爱丁堡大学）；NHS Lothian（洛锡安国民保健服务体系）；UK Dementia Research Institute Centre, University of Edinburgh（英国痴呆症研究所爱丁堡中心）；University of Dundee（邓迪大学）
Sex differences in predicting fluid intelligence of adolescent brain from T1-weighted MRIs
流体智能（Fluid Intelligence，Gf）被定义为推理和解决以前看不见的问题的能力。在磁共振成像（MRI）序列（如功能性MRI和扩散张量成像）中发现了与Gf的联系。作为2019年青少年大脑认知发育神经认知预测挑战赛的一部分，我们试图通过T1加权（T1 W）MRI预测9-10岁儿童的Gf。数据包括用于培训和内部验证的3739名受试者和用于外部验证的415名受试者的图谱对齐体积T1 W图像、图谱定义的分割区域、年龄和性别。我们训练了性别特异性卷积神经网络（CNN）和随机森林模型来预测Gf。对于卷积模型，使用与SRI 24脑图谱对齐的颅骨剥离体积T1 W图像进行训练。分割的图谱区域与每个受试者的年龄一起被用来训练随机森林回归模型。使用预测的均方误差（MSE）来测量性能。随机森林模型的MSE比CNN低。此外，外部验证数据显示女性的MSE优于男性（60.68 vs. 80.74），合并MSE为70.83。我们的研究结果表明，单独从体积T1 W MRI功能的Gf预测模型可能会更好地执行时，分别训练男性和女性的数据。然而，我们的模型的性能表明，除了可用的数据之外，还需要更多的信息来准确预测Gf。
Leveraging healthy population variability in deep learning unsupervised anomaly detection in brain FDG PET
Sorbonne Université（索邦大学）；Institut du Cerveau - Paris Brain Institute - ICM（大脑研究所 - 巴黎大脑研究所 - ICM）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）；AP-HP（巴黎公共医疗集团）；Hôpital de la Pitié Salpêtrière（皮蒂-萨尔皮特里耶医院）
针对脑部 FDG PET 无监督异常检测中残差图像方法的局限性，提出受 Z-scores 启发、利用健康人群变异性的新方法，在 ADNI 数据库上证明其能准确识别阿尔茨海默病相关异常。
Research Center for Medical Big Data, National Institute of Informatics（日本情报学研究所医疗大数据研究中心）；LPixel Inc.（LPixel公司）；Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；Department of Radiology, University of Cambridge（剑桥大学放射科）；Cancer Research UK Cambridge Centre（英国癌症研究中心剑桥中心）；Department of Artificial Intelligence, ELTE Eötvös Loránd University（厄特沃什罗兰大学人工智能系）；Department of Rehabilitation Medicine, Juntendo University School of Medicine（顺天堂大学医学部康复医学科）；International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo（东京大学国际神经智能研究中心（WPI-IRCN））
A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Peking University Shenzhen Hospital（北京大学深圳医院）；National Center for Applied Mathematics Shenzhen（深圳国家应用数学中心）
Q-Net: A Quantitative Susceptibility Mapping-based Deep Neural Network for Differential Diagnosis of Brain Iron Deposition in Hemochromatosis
Concordia University（康考迪亚大学）；Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究所）；London Health Sciences Centre（伦敦健康科学中心）；Western University（韦仕敦大学）；SpinTech MRI（SpinTech磁共振成像公司）；York University（约克大学）；Wayne State University（韦恩州立大学）
