XiaoMi-AI文件搜索系统
World File Search System对脑
曲霉素对脑肿瘤切除手术失血的影响
摘要简介：术中失血被认为是神经外科手术和神经外科手术的主要并发症之一，并且与术后的发病率和死亡率直接相关。通过减少失血来施用曲霉素[TXA]，已导致脑外伤的生存益处[TBI]人群，如最近的两个元分析所示。的目的和目标：研究曲霉素对脑肿瘤切除手术失血的影响。材料和方法：接受脑肿瘤切除的18-65岁的性别患者被随机分配给两组 - 研究组和对照组（每组30例患者）。研究组的患者在诱导后10分钟内静脉内静脉内静脉内静脉内接受tranexamic酸，然后在术中进行连续输注 @ 1mg/kg/kg/hr，直到皮肤闭合。对照组的患者每公斤体重的盐水与研究组的体重相同。结果：TXA组的血红蛋白和HCT的平均下降显着降低。因此，与盐水组相比，TXA组的失血量较小。（332ml vs 576 ml; p = 0.011）。结论：从我们的研究中，得出结论，TXA的给药导致失血量显着减少。TXA可以被建议作为一种具有成本效益的
通过反事实增强和形态约束的 3D 深度生成模型对脑成像进行公平建模
我们描述了 CounterSynth，这是一种微分同胚变形的条件生成模型，可在体积脑图像中诱导标签驱动的、生物学上合理的变化。该模型旨在为下游判别建模任务合成反事实训练数据增强，其中保真度受到数据不平衡、分布不稳定、混杂或规格不足的限制，并且在不同亚群中表现出不公平的表现。我们专注于人口统计属性，使用基于体素的形态测量、条件属性的分类和回归以及 Fréchet 初始距离来评估合成反事实的质量。在人为的人口不平衡和混杂的背景下检查下游判别性能，我们使用英国生物库和 OASIS 磁共振成像数据对 CounterSynth 增强与这些问题的当前解决方案进行基准测试。我们在整体保真度和公平性方面都实现了最先进的改进。 CounterSynth 的源代码可在 https://github.com/guilherme-pombo/CounterSynth 上找到。
使用 MRI 图像对脑肿瘤进行二分类和多分类
医学图像处理利用各种类型的扫描，例如 CT（计算机断层扫描）、超声波、PET（正电子发射断层扫描）、MRI（磁共振成像）、光谱等。其中，MRI 最广泛用于诊断，因为它既灵敏又强大，而且是非侵入性的（Badža 等人，2020 年；Khan 等人，2020 年）。MRI 扫描提供详细信息，因为它们使用有效的无线电波和磁场来创建内部器官的图片，从而有效地检测器官的囊肿、肿瘤、肿胀或出血。对这些扫描的分析和分类可以识别任何不规则生长。及早发现异常组织生长是医学图像处理的主要问题之一。准确估计异常组织生长有助于更好的预后和术后
语言对脑约束深度神经网络模型中感知和概念形成的影响
使用神经生物学约束的人类大脑语义学习模型来模拟具体和抽象概念的习得，无论有无言语标签。使用赫布学习机制模拟概念习得和语义学习。我们测量了网络的类别学习性能，定义为它成功地（i）将部分重叠的感知实例分组为单个（抽象或具体）概念表征，同时（ii）仍然区分不同概念的表征的程度。给定概念的语言标签与感知实例的共存通常会改善网络对类别的学习，对抽象概念的有益效果明显大于具体概念。这些结果为语言结构对概念形成和这些概念实例的感知运动处理的因果影响提供了神经生物学解释：在概念习得期间提供言语标签可以改善皮质机制，通过这种机制，对物体和动作的体验以及单词的学习会导致形成特定概念和含义的神经元集合。此外，本研究结果还做出了一个新颖的预测，即这种“沃尔夫”效应应该受到所习得语义类别的具体性/抽象性的调节，语言标签更有利于抽象概念的学习，而非具体概念的学习。本文是主题问题“互动中的概念：社会参与和内在体验”的一部分。
使用微调对脑肿瘤进行分类...
摘要：脑瘤是指脑内异常细胞的生长，其中一些细胞可能导致癌症。检测脑瘤的常用方法是磁共振成像 (MRI) 扫描。从 MRI 图像中可以识别出有关脑内异常组织生长的信息。在各种研究论文中，脑瘤的检测都是通过应用机器学习和深度学习算法来完成的。当将这些算法应用于 MRI 图像时，可以非常快速地预测脑瘤，更高的准确度有助于为患者提供治疗。这些预测还有助于放射科医生快速做出决策。在所提出的工作中，应用自定义卷积神经网络 (CNN) 来检测脑瘤的存在，并分析其性能。高效网络是 CNN 模型之一，具有高精度和低计算量。因此，本研究建议使用高效网络架构对神经胶质瘤、脑膜瘤和垂体脑瘤的类型进行分类。高效网络有八个类别级别，从 EfficientNet-B0 到 EfficientNet-B7。本研究在 EfficientNet-B3 中获得了最佳结果，准确率达到 97.34%。索引词 - 图像分类、脑肿瘤、EfficientNet。
调查用户对脑电图运动想象的熟练程度——...
摘要：基于脑电图 (EEG) 的脑机接口 (BCI) 研究广泛应用于轮椅控制。用户的能力是 BCI 效率的一个因素。因此，我们专注于 BCI 任务和协议，以从个人用户的稳健 EEG 特征中获得高效率。本研究提出了一种基于任务的大脑活动来获得 alpha 波段的力量，其中包括闭眼以获得枕叶区域的 alpha 反应、注意向上箭头以获得额叶区域的 alpha 反应以及想象的左/右运动以获得左/右运动皮层与 alpha 事件相关的去同步。EPOC X 神经耳机用于获取 EEG 信号。我们还通过推荐运动想象任务来提出用户在肢体运动范式的运动意象会话中的熟练程度。使用所提出的系统，我们验证了特征提取算法和命令翻译。 12 名志愿者参加了实验，并使用传统的运动想象范式来比较效率。利用用户的运动想象能力，左右命令的平均准确率达到 83.7%。通过用户熟练程度推荐的 MI 范式比传统 MI 范式的准确率高出约 4%。此外，模拟轮椅的实时控制结果显示，基于时间条件的效率很高。与基于操纵杆的控制相比，执行相同任务的时间结果仍然大约长三倍。我们建议使用用户熟练程度为初学者推荐个性化的 MI 范式。此外，所提出的 BCI 系统可用于严重残疾人士的电动轮椅控制。
采用新颖的经验 Riglit 小波变换对脑图像进行稳健的多模态融合网络
机器学习对于模式识别很有用，如果允许它访问患者数据，它可以注意到人类医生可能忽略的模式，这可以用来预测一个人是否有患上医生无法预料到的疾病的风险。在本文中，作者提出了一种经验 Riglit 小波变换算法。在该算法中，作者融合了从 Ridgelet 和 Little wood 经验小波变换获得的 CT 和 MR 图像的滤波器组。融合使用了四种可能的组合。图像边界被评估为性能参数。这些参数有助于理解给定 CT 和 MR 图像中的小元素和细节。本文的目的是通过融合使用不同组合的 CT 和 MR 图像来对图像中的特定模式进行分类和提取。通过使用相同技术获得的融合 CT-MT 图像的滤波器组来验证所提出的算法。
温度管理对脑微循环、氧合和代谢的影响
1 布鲁塞尔自由大学埃拉斯姆医院重症监护部，Route de Lennik 808, 1070 布鲁塞尔，比利时 2 维罗纳大学综合医院麻醉与重症监护 B 系，外科、牙科、妇科和儿科系，AOUI-维罗纳大学医院，Policlinico GB Rossi，Piazzale Ludovico Scuro，37134 维罗纳，意大利 3 锡耶纳大学医学科学、外科和神经科学系重症监护医学服务，53100 锡耶纳，意大利 4 中山大学肿瘤防治中心重症监护医学系，广州 510060，中国 5 维罗纳大学外科、牙科、妇科和儿科系心胸麻醉与重症监护系， AOUI-维罗纳大学综合医院信托，Piazzale Aristide Stefani，37100 维罗纳，意大利 6 布鲁塞尔自由大学 Erasme 医院神经外科部，Route de Lennik 808，1070 布鲁塞尔，比利时 7 CHIREC 重症监护部，1420 Braine L'Alleud，比利时 * 通讯地址：katia.donadello@univr.it
深度学习模型与放射科专家合作对脑肿瘤进行分类
摘要：大脑由称为神经元的神经细胞组成，是神经系统的中心。神经细胞通过相互作用而快速异常生长，这种现象被称为脑瘤。未确诊或延迟诊断的脑瘤会导致死亡。虽然这取决于经验，但手动诊断和分类脑瘤对医生来说是一项挑战。基于人工智能的计算机系统可以利用硬件技术的发展和日益增加的数据量帮助医生检测脑瘤。本研究提出了一种基于深度学习的系统，使用预先训练的 EfficientNet-B0 模型将脑 MRI 图像分类为肿瘤或正常。我们的放射科医生验证了一个包含 3000 张脑 MRI 图像的公共数据集。该数据集分为 70% 训练、20% 验证和 10% 测试。在训练后的测试阶段，预先训练的 EfficientNet-B0 模型实现了高性能，准确率为 99.33%，灵敏度为 99.33%，F1 分数为 99.33%。此外，在测试图像的评估中，我们的放射科专家检查了 Grad-CAM 方法获得的热图。评估结果表明，预训练的 EfficientNet-B0 深度模型在其预测中选择了正确的焦点区域，并且由于其可解释的结构，可用于临床肿瘤检测。关键词：脑肿瘤、MRI、深度学习、EfficientNet、Grad-CAM。