XiaoMi-AI文件搜索系统
World File Search System脑图
大脑图的可解释的稀疏-NSF -PAR
大脑图对大脑区域之间的结构和功能关系进行了建模，在涉及图分类的神经科学和临床应用中至关重要。然而，密集的大脑图构成了计算挑战，包括高运行时间和记忆使用和有限的解释性。在本文中，我们研究了图神经网络（GNN）中的有效设计，以消除嘈杂的边缘来稀疏脑图。虽然先前的作品根据解释性或任务 - 涉及属性去除嘈杂的边缘，但不能保证它们在通过频繁图提高性能方面的有效性。此外，现有方法通常忽略了多个图形的集体边缘去除。为了解决这些问题，我们引入了一个迭代框架来分析不同的稀疏模型。我们的发现是作为下降的：（i）优先考虑可解释性的方法可能不适合图形稀疏性，因为它们可以在图形分类任务中降低GNNS的性能； （ii）与GNN训练同时学习边缘分类比训练后更有益； （iii）跨图的共享边缘选择优于每个图的单独选择； （iv）与任务相关的梯度信息有助于边缘选择。基于这些见解，我们提出了一个新的模型，可解释的图形泄漏（IGS），该模型可增强图形分类性能高达5.1％，而边缘减少了55.0％。IG识别的保留边缘提供了神经科学解释，并得到了公认的文献的支持。
基于U-NET的模型，用于最佳MR脑图像分割
摘要：MRIS的脑肿瘤分割一直是放射科医生的一项艰巨任务，因此，需要自动和广义的系统来解决此任务。在医学成像中使用的所有其他深度学习技术中，基于U-NET的变体是文献中最常用的模型，可针对不同的方式分割医学图像。因此，本文的目的是研究U-NET体系结构中的众多进步和创新，以及最近的趋势，目的是强调使用U-NET的持续潜力用于改善脑肿瘤分割的性能。此外，我们还提供了不同U-NET体系结构的定量比较，以从优化的角度突出该网络的性能和演变。除此之外，我们还尝试了四个U-NET体系结构（3D U-NET，COATION U-NET，R2 COATION U-NET和修改3D U-NET），用于Brats 2020数据集，以供脑肿瘤细分，以更好地概述该体系结构在DICE SCORE和HAUSDORFF距离上的概述。最后，我们分析了医学图像分析的局限性和挑战，以提供有关在优化方面开发新体系结构的重要性的批判性讨论。
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
可解释的大脑图的堆叠回归和结构性方差分配
将与复杂刺激相关的大脑活动与2的不同特性相关联，刺激是构建功能性脑图的强大方法。然而，3当刺激是自然主义时，它们的性质通常是相关的（例如，自然图像的视觉和4个语义特征，或用作图像特征的卷积神经网络5的不同层）。相关性能可以充当混杂因素6，并使大脑图的解释性复杂化，并可能影响统计估计器的7个鲁棒性。在这里，我们根据提出的两种方法提出了一种大脑映射8的方法：堆叠不同的编码模型和结构化9方差分配。我们的堆叠算法结合了编码模型，每个模型都将10用作输入一个描述不同刺激属性的特征空间。算法11学会预测体素的活性，作为不同12个编码模型的输出的线性组合。我们表明，由此产生的组合模型可以更好或至少与单个编码模型更好或至少预测13个大脑活动。此外，线性组合的14个权重很容易解释；它们显示了预测体素的每个特征空间的重要性15。然后，我们将堆叠模型构建到16个引入结构化方差分区，这是一种新型的方差分区，考虑了17个特征之间的已知关系。我们验证了我们的模拟方法，展示其大脑在fMRI数据上的21个潜力，并发布Python软件包。24我们的方法限制了假设空间的18个大小，并使我们能够提出有关特征空间和大脑区域之间相似性19的有针对性问题，即使在20个特征空间之间存在相关性的情况下。我们的方法对于有兴趣将大脑活动与神经网络的不同层（23）或其他类型的相关特征空间对齐的研究人员有用。
神经科学家使用小鼠大脑图谱进行高效分析和透明报告的指南
脑图谱在神经科学中被广泛用作开展实验研究以及整合、分析和报告动物模型数据的资源。有各种各样的脑图谱可供选择，找到适合特定目的的最佳脑图谱并进行有效的基于脑图谱的数据分析可能具有挑战性。比较使用不同脑图谱报告的结果也并非易事，并且是可重复科学的障碍。通过这篇观点文章，我们提供了如何使用小鼠和大鼠脑图谱来分析和报告数据，符合 FAIR 原则，该原则提倡数据可查找、可访问、可互操作和可重复使用。我们首先介绍如何解释脑图谱并将其用于导航到大脑位置，然后讨论如何将它们用于不同的分析目的，包括空间配准和数据可视化。我们提供了有关神经科学家如何比较映射到不同脑图谱的数据并确保透明地报告结果的指导。最后，我们总结了选择图集时需要考虑的关键因素，并对基于图集的工具和工作流程对于 FAIR 数据共享的相关性进行了展望。
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
基于胎儿MRI的大脑图集分析检测到产前酒精暴露的子宫效应
产前酒精暴露（PAE）可以改变人类胎儿脑发育的正常轨迹，并可能导致胎儿酒精谱系障碍形式的神经发育变化。目前，与酒精相关的中枢神经系统变化的早期产前模式尚不清楚，尚不清楚少量的PAE是否会导致早期可检测到的脑异常。这项超分辨率的胎儿磁共振成像（MRI）研究旨在确定PAE对人脑结构的区域影响。胎儿使用基于1.5 t和3 t胎儿脑MRI检查的基于ATLAS的半自动组织分割进行了前瞻性评估。在预期母亲完成了PAE的匿名婴儿车和TACE问卷之后，发现并分析了没有宏观脑脑异常的胎儿。进行了区域脑体积的线性混合效应模型，并使用Benjamini – Hochberg程序校正了多个比较。总共招募了500名孕妇，有51名报告妊娠饮酒。排除了混杂的合并症后，分析了24个胎儿（26个观察结果），并分析了没有PAE的52个年龄匹配的对照。PAE患者的体积明显更大（p≤0.001）和较小的脑室区域（p = 0.001）。即使是次要的（每周1-3种标准饮料）PAE改变了神经发育轨迹。
找到最可转移的大脑图像分割任务
摘要 - 尽管许多研究已成功地将转移学习应用于医学图像分割，但是当有多个源任务可转移时，很少有人研究了选择策略。在本文中，我们提出了一个基于知识的知识和基于可传递性的框架，以在大脑图像分割任务集合中选择最佳的源任务，以提高给定目标任务上的转移学习绩效。该框架包括模态分析，ROI（感兴趣的区域）分析和可传递性效率，以便可以逐步对源任务选择进行。特别是，我们将最先进的分析转移能力估计指标调整为医学图像分割任务，并进一步表明，基于模态和ROI特征的候选源任务可以显着提高其性能。我们关于脑物质，脑肿瘤和白质超强度分割数据集的实验表明，从同一模式下的不同任务转移通常比在不同方式下从同一任务转移的实验更成功。此外，在相同的方式中，从具有更强的ROI形状相似性与目标任务的源任务转移可以显着提高最终传输性能。可以使用标签空间中的结构相似性指数捕获这种相似性。索引术语 - 转移学习，医学图像分析，来源选择I。
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。
基于深CNN方法的MR脑图像中的有效肿瘤检测：i-Yolov5
摘要随着计算机技术的出现，人工智能（AI）有助于放射科医生诊断脑肿瘤（BT）。可以在医疗保健中提高疾病的早期发现导致进一步的治疗，其中典型的AI系统应用在时间和节省的方面发挥了至关重要的作用。磁共振（MR）图像通过图像增强技术增强，以改善对比度和颜色的效果。此外，对于BT的几种类型的MR成像问题，传统方法是无偿的。深度学习技术可以扩展，以帮助克服常规肿瘤检测中遇到的常见问题。因此，在这项工作中，已经提出了基于MR图像的BT检测的即兴Yolov5技术。最终，使用混合网格搜索优化器算法（HGSOA）应用高参数优化（HPO）的想法，以增强拟议深神经网络中超级参数的肿瘤检测性能。为了评估提出的模型的有效性，麦卡洛克的算法rithm用于定位肿瘤区域分割的图像，并且还使用真实注释的图像检查了分割结果。使用MW脑测试图像进行了各种实验，以测量提出的微调模型的准确性。最后，将分类指标与现有的最新技术进行比较，包括MSE，PSNR，SSIM，FSIM和CPU时间，以证明所提出的模型的有效性。在MRI-BT的分类学中，CNN实现了更大的精确性。