Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

DDEvENet:基于证据的集体学习,用于使用扩散MRI进行不确定性意识的大脑分片.

Chenjun Li1, Dian Yang1, Shun Yao2

  • 1University of Electronic Science and Technology of China, Chengdu, Sichuan, China.

Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
|January 9, 2025
PubMed
概括

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Correction: Proximity proteomics reveals OTUD6B regulation of stress granule dynamics through coalescence with VCP/p97.

Cell death & disease·2026
Same author

TractoMFormer: A novel streamline-level tractography analysis framework for group classification using deep graph and multi-scale ViT.

NeuroImage·2026
Same author

<i>Alfaria yunnanensis</i> sp. nov., a novel myrothecium-like species isolated from <i>Oryza sativa</i> in Yunnan, China.

International journal of systematic and evolutionary microbiology·2026
Same author

Composition-dependent synergistic effects of elements on elastic properties in the MoNbTaVW-series refractory high-entropy alloys.

Journal of molecular modeling·2026
Same author

Study of sex differences in the whole brain white matter using diffusion MRI tractography and suprathreshold fiber cluster statistics.

NeuroImage. Clinical·2026
Same author

On the consistent and scalable detection of spatial patterns.

ArXiv·2026
此摘要是机器生成的。

我们开发了DDEvENet,这是一种使用扩散MRI进行大脑分片的深度学习模型. 它准确地绘制了大脑解剖结构,并量化了不确定性,提高了各种条件的细分可靠性.

科学领域:

  • 神经成像是一种神经成像.
  • 人工智能的人工智能
  • 医学图像分析 医学图像分析

背景情况:

  • 准确的解剖学大脑分片对于理解大脑结构和功能至关重要.
  • 现有的方法经常在扩散MRI (dMRI) 数据的变化方面扎,缺乏强大的不确定性量化.
  • 深度学习提供了潜力,但需要谨慎处理临床应用中的不确定性.

研究的目的:

  • 引入DDEvENet,一个证据集神经网络,用于使用dMRI精确的解剖脑分片.
  • 开发一个框架来量化在推理过程中的voxel-wise预测不确定性.
  • 在一个不确定性意识的集体学习方法中利用多个dMRI参数.

主要方法:

  • 开发了DDEvENet,一个证据深度学习框架,集成多个并行子网络,每个处理一个特定的dMRI参数.
  • 实施基于证据的集合方法来融合单个子网络的输出.
  • 从健康对照组和患有各种神经和精神疾病的患者中对各种dMRI数据集进行网络培训和评估.

主要成果:

  • DDEvENet在多个数据集中实现了极其改进的分片精度,超过了最先进的方法.
  • 该模型提供了可靠的voxel-wise不确定性估计,有助于检测异常的大脑区域.
关键词:
大脑的分片化大脑的分片化深度学习是一种深度学习.扩散式核磁共振成像 (MRI)不确定性估计估计不确定性
  • 结果表明,在不同的dMRI获取协议和患者群体中,这种方法具有稳定性.

    • 结论:

    • DDEvENet提供了一种准确可靠的方法,用于使用dMRI进行解剖大脑分片.
    • 综合不确定性量化提高了解释性,有助于识别病理性大脑变化.
    • 这种方法对临床神经成像研究和诊断具有重大潜力.