XiaoMi-AI文件搜索系统
World File Search System弥散
自体乳突切除术后出现脑脓肿
强直阳性，kernig及brudgenzy阴性，双侧肌力功能良好，左耳膜水肿，外耳道轻微分泌物。余系统检查未见急性病变。血液检查白细胞22,000×109/L、中性粒细胞84%、C-RP（C反应蛋白）9.34mg/L。PCR（SARS-CoV-2）检测阴性，胸部CT未见病毒性肺炎。颅内病变初步诊断行头颅CT及核磁共振（MRI）检查。左侧乳突腔内可见，左乳突腔及中耳可见软组织密度影，左颞叶内侧有弥散受限信号改变（急性梗塞？脓肿？）。左颞叶下部可见结节性扩散受限区（图1）。转诊至学院医院，初步诊断为脓肿、脑膜炎、脑炎、肿块。医院检查后得知，患者疑似脑脓肿。住院后由耳鼻喉科和神经外科医师实施手术（图2）。术中报告砧骨和镫骨被破坏，锤骨部分保留。因有化脓性分泌物，未实施鼓室成形术。奇异变形杆菌培养于
儿童大脑磁共振指纹识别
随着磁共振成像技术的不断进步，定量成像方法在临床和研究应用中都获得了巨大的发展。例如，弥散加权成像、灌注加权成像、功能性磁共振成像和磁共振已被广泛用于深入了解儿童的正常大脑发育和各种神经系统疾病。1-4 当系统相关偏差得到控制时，定量成像方法可以得出客观且可能更具可重复性的发现。尽管具有这些潜在优势，但定性 T1 加权和 T2 加权图像仍然是临床实践中使用最广泛的磁共振图像，临床解释/诊断很大程度上依赖于定性或半定量的视觉评估。T1 和 T2 弛豫时间是基本的磁共振成像特定属性，受内在组织成分、微环境、温度和磁场强度控制。与传统磁共振成像相比，直接测量 T1 和 T2 弛豫时间可以提供更定量和客观的组织特征和病理过程评估。 5,6 然而，技术限制（特别是较长的采集时间）使得这些方法更容易受到运动的影响，并且容易出现系统相关的不稳定性，从而阻碍了它们在临床上的广泛应用。
M-GCN：一种多模态图卷积网络，用于整合功能和结构连接组学数据来预测多维表型特征
我们提出了一种多模态图卷积网络 (M-GCN)，它整合了静息态 fMRI 连接和弥散张量成像纤维束成像来预测表型测量。我们的专门 M-GCN 过滤器在逐个主题的结构连接组的指导下，以拓扑方式作用于功能连接矩阵。结构信息的纳入还可充当正则化器，并有助于提取可预测临床结果的丰富数据嵌入。我们在来自人类连接组项目的 275 名健康个体和来自内部数据的 57 名被诊断为自闭症谱系障碍的个体上验证了我们的框架，以分别预测认知测量和行为缺陷。我们证明 M-GCN 在五重交叉验证环境中的表现优于几种最先进的基线，并从健康和自闭症人群中提取了预测性生物标志物。因此，我们的框架提供了表征灵活性，可以利用结构和功能的互补性质，并在训练数据有限的情况下将这些信息映射到表型测量。关键词：图卷积网络、功能连接组学、结构连接组学、多模态整合、表型预测、自闭症谱系障碍
早产儿大脑的体感预测
感觉预测 (SP) 是早期认知发展的核心。SP 受损可能是理解神经发育障碍出现的关键，但关于这种技能如何以及何时出现的数据很少。我们着手提供早产儿大脑中 SP 存在的基本感觉方式的证据：触觉。使用弥散相关光谱法，我们测量了接受振动触觉刺激-省略序列的早产儿体感皮层的血流变化。当 ISI 固定时，参与者在刺激省略期间出现血流减少，从刺激应该开始时开始：对某个刺激开始的预期会导致体感皮层的失活。当 ISI 抖动时，我们观察到省略期间血流增加：对可能但不确定的刺激开始的预期会导致体感皮层的激活。我们的研究结果显示，基于单峰体感刺激的时间结构，SP 早在分娩前四周就已在大脑中出现，并表明 SP 会根据刺激开始的可能性对体感皮层的活动产生相反的调节。未来的研究将调查体感预测对这一脆弱人群神经发育的预测价值。
机器学习的扩散 MRI
摘要 — 脑的弥散加权磁共振成像 (dMRI) 具有独特的功能，包括无创探测组织微结构和结构连接。它广泛用于疾病和损伤的临床评估以及神经科学研究。分析 dMRI 数据以提取用于医学和科学目的的有用信息可能具有挑战性。dMRI 测量可能会受到强噪声和伪影的影响，并且可能表现出数据在会话间和扫描仪间的高度可变性，以及脑结构在受试者间异质性。此外，测量值与感兴趣现象之间的关系可能非常复杂。近年来，机器学习方法在 dMRI 分析中的应用越来越多。本文旨在评估这些努力，重点关注解决数据预处理和协调、微结构映射、纤维束成像和白质束分析的方法。我们研究现有方法的主要发现、优点和缺点，并提出未来研究的主题。我们发现机器学习可能非常适合解决 dMRI 分析中的一些困难任务。然而，要实现这一点，需要解决现有方法的几个缺点和尚未解决的关键问题。迫切需要改进评估实践，增加丰富的训练数据集和验证基准的可用性，以及模型的通用性、可靠性和可解释性问题。
发展轨迹和关系 - MIP:Lab
先前的研究表明，胼胝体（即最大的白质连合通路）的结构改变发生在新生儿早产后，并持续整个发育过程。本研究旨在揭示极度早产（VPT）个体儿童期和青少年期胼胝体的结构特征，及其与一般智力、执行和社会情感功能的关系。对 79 名 VPT 和 46 名年龄在 6 - 14 岁之间的足月对照者进行了神经心理学评估、T1 加权和多壳扩散 MRI。使用 TractSeg 在 7 个胼胝体部分提取了体积、扩散张量和神经突方向弥散和密度成像 (NODDI) 测量值。使用多元数据驱动方法（偏最小二乘相关）和基于队列的年龄规范建模方法来探索胼胝体特征与神经心理学结果之间的关联。 VPT 组和足月对照组的白质成熟趋势相似，即所有胼胝体节段的 FA 增加和 ODI 减少，这与一般智力功能的提高有关。然而，使用基于队列的与年龄相关的规范模型，研究结果显示 VPT 组的胼胝体发育模式不典型，胼胝体成熟度随时间降低，这与一般智力和工作记忆功能较差以及孕龄较低有关。
UNIGE 开放档案静息状态大脑活动...
多项神经影像学研究表明，CA 后 5 天内 DWI 的变化预示着不良预后。8-15 然而，DWI 分析的时机至关重要，因为弥散值在缺氧后不久就会发生变化。10 此外，虽然 DWI 是不良预后的有力预测指标，但它不够敏感，无法识别出预后良好的患者。大脑的自发活动不是随机的，而是在功能网络中组织的。16 静息状态 fMRI (rs-fMRI) 是绘制患者和健康志愿者大脑功能连接 (FC) 的有力工具。17 多项研究报告称，rs-fMRI 可以区分慢性脑损伤患者的意识状态，FC 下降与意识受损程度相关。18 最近有研究表明，fMRI 可以检测到脑创伤后昏迷患者对被动刺激反应的早期意识迹象 19 并且 FC 强度与昏迷后缺氧患者的良好长期预后相关。 20 然而，rs-fMRI 尚未系统地评估对昏迷后缺氧患者的早期预后。我们的研究旨在使用 rs-fMRI 和机器学习方法预测昏迷结果（即意识恢复与昏迷状态；即良好与不良结果）。我们专注于特别具有临床意义的病例，特别是昏迷的早期缺氧后患者和标准多模态测试后预后不确定的患者。
神经元信息整合同步的进化起源
脑表达基因的进化速度明显慢于其他组织中表达基因的进化速度，这一现象可能是由于高级功能限制造成的。其中一个限制可能是神经元组合对信息的整合，从而增强环境适应性。本研究通过三种类型的同步探索了神经元中信息整合的生理机制：化学、电磁和量子。化学同步涉及多巴胺和乙酰胆碱等神经递质的弥散释放，导致传输延迟数毫秒。电磁同步包括动作电位、电间隙连接和偶联。电间隙连接使皮质 GABA 能网络内的快速同步成为可能，而偶联则使轴突束等结构能够通过细胞外电磁场同步，速度超过了化学过程的速度。据推测，量子同步涉及离子通道通过期间的离子相干性和髓鞘内光子的纠缠。与化学和电磁过程中的有限时间同步不同，量子纠缠提供瞬时非局部相干状态。神经元可能从较慢的化学扩散进化为快速的时间同步，离子通过皮质 GABAergic 网络内的间隙连接可能促进快速伽马波段同步和量子相干。这篇小综述汇编了有关这三种同步类型的文献，为解决神经元组装中结合问题的生理机制提供了新的见解。
静息态脑活动对临床预后不确定的缺氧昏迷患者的早期预测结果
多项神经影像学研究表明，CA 后 5 天内 DWI 的变化预示着不良预后。8-15 然而，DWI 分析的时机至关重要，因为弥散值在缺氧后不久就会发生变化。10 此外，虽然 DWI 是不良预后的有力预测指标，但它不够敏感，无法识别出预后良好的患者。大脑的自发活动不是随机的，而是在功能网络中组织的。16 静息状态 fMRI (rs-fMRI) 是绘制患者和健康志愿者大脑功能连接 (FC) 的有力工具。17 多项研究报告称，rs-fMRI 可以区分慢性脑损伤患者的意识状态，FC 下降与意识受损程度相关。18 最近有研究表明，fMRI 可以检测到脑创伤后昏迷患者对被动刺激反应的早期意识迹象 19 并且 FC 强度与昏迷后缺氧患者的良好长期预后相关。 20 然而，rs-fMRI 尚未系统地评估对昏迷后缺氧患者的早期预后。我们的研究旨在使用 rs-fMRI 和机器学习方法预测昏迷结果（即意识恢复与昏迷状态；即良好与不良结果）。我们专注于特别具有临床意义的病例，特别是昏迷的早期缺氧后患者和标准多模态测试后预后不确定的患者。
基于混合注意力机制的残差 UNet 用于脑肿瘤语义分割
摘要：由于脑肿瘤形状不规则且弥散，因此在磁共振成像 (MRI) 体积中对其进行分割非常困难。最近，由于标记数据集的可用性，二维和三维深度神经网络已成为医学图像分割的热门选择。然而，三维网络的计算成本很高，需要大量的训练资源。这项研究提出了一种用于脑肿瘤分割的三维深度学习模型，该模型使用轻量级特征提取模块来提高性能，而不会影响上下文信息或准确性。所提出的模型称为基于混合注意的残差 Unet (HA-RUnet)，它基于 Unet 架构，利用残差块从 MRI 体积中提取低级和高级特征。注意和挤压激励 (SE) 模块也被集成在不同级别，以在局部和全局感受野内自适应地学习注意感知特征。所提出的模型在 BraTS-2020 数据集上进行了训练，在测试数据集上，Dice 得分分别为 0.867、0.813 和 0.787，对整体肿瘤、肿瘤核心和增强肿瘤的灵敏度分别为 0.93、0.88 和 0.83。实验结果表明，所提出的 HA-RUnet 模型优于 ResUnet 和 AResUnet 基础模型，同时参数数量少于其他最先进的模型。总体而言，所提出的 HA-RUnet 模型可以提高脑肿瘤分割准确率，并有助于医生进行适当的诊断和治疗计划。