讲座1:影像重建_脑疾病_大脑解码

视频来源：https://www.bilibili.com/video/BV11K4y1979o/?spm_id_from=333.999.0.0&vd_source=897075bbdd61e45006d749612d05a2ab

Image Reconstruction and Segmentation

MR Image Reconstruction

Why we need to reconstructure the MR Image?

• The scan time of MR Image is too long
  • linited by physical and physiological constraints
• A promising method
  • Compressed sensing MRI Reconstructing is an effective way to shorten acquisition time
• Reconstruction
  • Resorting MR Images from under-sample images
    
    如果得到右边的图像，则需要很长的时间，但是实际中不会用这么长的时间。
    问题：使用机器学习/人工智能的方法，将左边的图像变为右边清晰的图像。
    解决方案：优化模型
    其中，深度学习（特别是GAN）得到了非常广泛的应用。

Structure-Enhanced Generative Adversarial Network for Reconstruction

为了加强网络对MRI的约束力，提出了一种“结构增强损失”，即图片中的绿色部分：

将约束加入到网络中（整体网络是UNet形状）：

之后，在标准数据集中做了不同采样率下的图像重建取得了不错的效果。

• 对采样矩阵进行学习的思路
  
  图中蓝色是影像的误差（不均匀），红色的线是模型的权重。为了解决不均匀问题，使用加权的方式（损失函数）

Brain ROI Segmentation

将大脑分成很多个区域。现如今有标准模板帮助我们进行划分，这些模板将某些体素划分成一个区域，再将另外一些体素划分成另外一些区域，当然了，创作这些模板非常耗费时间，因此，这些模板非常珍贵。

现在，很多疾病需要使用到脑分割，分割是一个基础但是很关键的步骤，需要自动化分割的方法。

“多图谱分割”目前特别火，

1、配准。将模板配准到Q空间，并且将L也转化到Q中。
2、标签融合。L_{Q}：多数投票

缺点：该方法对配准的要求非常高，只考虑对应位置上模板的标签，得到待分割脑特定区域label。

tatch-based：对配准要求低，但是可以对每个领域的体素label都可以参与“多数投票”

使用高级特征：两个图像之间协方差、均值等进行划分区域

High-order Feature Learning for Multi-atlas based Label Fusion

Brain Disease — Alzheimer’s Disease

Brain connectomics

脑连接组，使用功能或者结构磁共振像
脑内的疾病不仅与某一个脑区有关，也和脑区之间的连接有关。

通过图核判断连接

(Node-level Structure Embedding and Alignment)

将结构网络和功能网络通过双卷积连接起来

Imaging Genetics

很多疾病（AD）从基因遗传上讲，受基因影响较大。将Neuroimaging作为表型，通过获取基因可以减少学习的样本量，但是此方法对CS要求较高，需要用到一个精准的模型进行关联。

Human Brain Decoding

怎么通过大脑活动获取所看到的物体