机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究解决了传统白质纤维追踪形状测量方法在大规模数据集中的计算成本高和耗时问题。提出了Tract2Shape，一个新的多模态深度学习框架，利用几何和标量特征预测白质形状测量，显示出其优越的性能和强大的泛化能力。该方法为未来大规模白质形状分析奠定了有希望的基础。

本研究提出了一种可解释的多模态机器学习方法（EMML），用于分析碳纳米管纤维的性质与结构关系，揭示加工步骤和多尺度结构对材料性能的影响，且该方法可推广至其他纳米材料设计。

本研究提出了一种新的深度学习纤维聚类框架——深度多视图纤维聚类(DMVFC)，有效结合了dMRI的几何特征与fMRI的BOLD信号，优于现有聚类方法。

研究发现，尽管已知的问题对称被纳入神经网络中，但实际学习等变神经网络的复杂度呈指数级增长。通过梯度下降学习等变神经网络仍然是困难的。

膳食纤维对肠道菌群有益处，可降低憩室病风险，改善代谢健康和心血管疾病，调节肠道菌群，产生短链脂肪酸。膳食纤维补充剂可改善心血管危险因素。

本文强调了控制血糖峰值的重要性和葡萄糖峰值对身体的危害。提供了一些轻松控糖的小窍门，如正确的饮食顺序、增加蔬菜摄入量、停止计算热量等。强调了环境对健康的重要性，并提到了甜味剂的选择。给出了如何在购物时发现包装上的葡萄糖峰值的建议。

提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型。该模型结构相对于现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过验证和测试，证明了该模型的准确性和稳定性。

研究人员通过自动角度超分辨率开发了一种基于变压器的深度学习架构，能够准确重建磁共振成像数据中的纤维定向。该方法在公开数据集上的测试结果显示其性能优于现有技术。

通过智能膝套进行人体姿态估计，研究了人体运动与肌肉活动的关系。膝套数据生成3D人体模型，证明了其在运动评估中的有效性。结果显示，膝套系统在预测下肢关节方面有效可靠。多模态可穿戴感知展示了在健身、体育、医疗保健等应用中的潜力。

本文介绍了一种解决多模态显微图像细胞分割问题的方法。首先开发了基于细胞的低级图像特征的自动分类流程，并训练了分类模型。然后针对每个类别训练了单独的分割模型，分别用于圆形和不规则形状的细胞。采用高效且强大的主干模型增强分割模型的效率。在评估中，方法达到了F1得分0.8795，运行时间在时间容限范围内。

本文介绍了一种使用光学相干断层扫描和计算机视觉技术来检测和定位复合材料零件中的缝隙和重叠的新方法。通过比较相邻制带的边界并识别可能存在的缝隙或重叠，算法可以检测制造缺陷。结果显示该方法在缝隙和重叠分割方面具有高精度和高效率。