<italic style="font-style: italic">Q</italic>空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计

郑茂坤; 李智; 郑龙; 王卫东; 李丹丹; 王国美

doi:10.1631/FITEE.2400766

Your Location：

Home >

Browse articles >

Q空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计

常规文章 | Updated：2025-09-04

- Q空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计
  Enhanced Publication
- Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images
- “在弥散张量成像（DTI）领域，开发了一种新的深度神经网络，称为q空间坐标引导弥散张量成像。该技术可以在灵活的q空间采样方案下高效准确地估计扩散张量（DT），为DTI研究提供了新的方向。”
- 信息与电子工程前沿（英文） 2025年26卷第8期页码：1305-1323
- Affiliations：
  
  State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang 550025, China
- Author bio：
  
  E-mail: 13793015018@163.com
  ‡ Corresponding author
  zhenglong178@163.com
  13051099799@163.com
- Funds：
  
  National Natural Science Foundation of China(62062023)
- DOI：10.1631/FITEE.2400766
  中图分类号： TP391.4
- 收稿：2024-09-03，
  
  修回：2025-01-24，
  
  纸质出版：2025-08
- Accepted：
Scan QR Code
郑茂坤, 李智, 郑龙, 等. Q空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计[J]. 信息与电子工程前沿（英文）, 2025,26(8):1305-1323.

Maokun ZHENG, Zhi LI, Long ZHENG, et al. Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images[J]. Frontiers of Information Technology & Electronic Engineering, 2025, 26(8): 1305-1323.
郑茂坤, 李智, 郑龙, 等. Q空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计[J]. 信息与电子工程前沿（英文）, 2025,26(8):1305-1323. DOI： 10.1631/FITEE.2400766.

Maokun ZHENG, Zhi LI, Long ZHENG, et al. Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images[J]. Frontiers of Information Technology & Electronic Engineering, 2025, 26(8): 1305-1323. DOI： 10.1631/FITEE.2400766.

浏览量

Downloads

CSCD

文章被引用时，请邮件提醒。

Submit

工具集

关联资源

QuantBench: benchmarking AI methods for quantitative investment from a full pipeline perspective

HADF: a hash-adaptive dual fusion implicit network for super-resolution of turbulent flows

MltAuxTSPP: a unified benchmark for deep learning-based traffic state prediction with multi-source auxiliary data

CRGT-SA: an interlaced and spatiotemporal deep learning model for network intrusion detection

Federated model with contrastive learning and adaptive control variates for human activity recognition

Q空间坐标引导的神经网络从最小数量扩散加权图像中实现高保真扩散张量估计

Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images

DOI：10.1631/FITEE.2400766