XiaoMi-AI文件搜索系统
World File Search System脑图
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练过程中的收敛速度提高了 20% 至 40%，在部署过程中的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要的计算内存是后者的 20 倍。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练期间的收敛速度提高了 20% 至 40%，在部署期间的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要 20 倍以上的计算内存。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
S41598-023-32902-Z.pdf人类寿命的大脑图表
在过去的几十年中，神经影像学已成为人脑的基础研究和临床研究中的无处不在工具。但是，与人体测量学性状（例如身高和体重1）相比，目前尚无参考标准可以量化神经成像指标的个体差异。在这里，我们组装了一种交互式开放资源，以基准从任何当前或将来的MRI数据样本（http://www.brainchart.io/）得出的脑形态。的目的是将这些参考图表基于可用的最大，最包容性的数据集，确认由于MRI研究的已知偏见相对于全球人口的多样性而言，我们汇总了123,984次MRI扫描，进行了100多种基本研究，从101,457天的101,457天参与者开始，从101,450天的参与者开始。MRI指标是通过百年分数定量的，相对于大脑结构变化的非线性轨迹2和寿命中的变化速率。大脑图表鉴定出先前未报告的神经模板里程碑3，在纵向评估中显示了个体的高稳定性，并且在基本研究之间表现出了对技术和方法学差异的稳健性。Centile分数显示出遗传力的增加，并提供了非典型大脑结构的标准化度量，该测量揭示了神经和精神疾病之间神经解剖学变异的模式。总而言之，大脑图是对在多种常用的，常用的神经影像型中对单个变异进行稳健量化基准的基准定量基准的重要一步。
基于Atlas的新型PET/CT脑图像分割和癫痫的定量方法的临床评估
在临床实践中，视觉解释被广泛用作评估癫痫中PET/CT图像的主观方法。结果在很大程度上取决于诊断医生的经验；因此，该方法具有许多缺点，包括它是高度主观的，难以解释（4）。为了实现客观评估，脑内不对称指数（AI）测量方法使用同一患者正常侧的大脑区域作为评估另一侧的癫痫状态的参考。在大脑的癫痫和正常区域中绘制了相同大小，形状和面积的感兴趣的镜像区域（ROI），并计算其平均标准化吸收值（SUV）和AI值（5）。但是，AI方法在很大程度上取决于医生的诊断经验，并且可重复性差（5,6）。
第六届伊朗脑图谱更新研讨会 (...
伊朗第六届脑图谱更新研讨会是该国最大的脑图谱活动，为该领域的研究人员和国际科学家提供了一个独特的机会，使他们能够在 2022 年 7 月 6 日至 8 日三天内，在国内外教授的参与下了解最新成果，并最终将其用于他们的研究。在以虚拟方式举办研讨会两年之后，今年提供了一个平台，以便我们可以亲自举办部分活动。活动第三天将举行 5 个小组讨论，主题包括术前、成瘾治疗（药物滥用）、中枢神经系统创伤的诊断和治疗、老年人认知障碍的诊断挑战以及儿童神经系统疾病的诊断和治疗挑战”。在这一天，除了参与者可以亲自参加小组讨论之外，还为这些小组的虚拟展示准备了一个平台，以便感兴趣的人和无法参加的研究人员可以通过虚拟方式参与这些小组讨论。在每个小组中，活跃于脑图谱领域的公司和相关协会都会举行会议，以研究与联合活动相关的每个领域的挑战。在举办此活动的第六年，除了收到展示的文章之外，根据研究的临床价值创造，我们还决定欣赏导致临床服务的创建或改进的脑图谱领域的研究。毋庸置疑，提高伊朗在国家、地区和国际层面的地位以及增强研究人员的竞争力是国家脑图谱实验室的主要目标之一。在这方面，这个国家研究所正在尽一切努力更新和提高该国研究人员的认识水平。最后，希望国家脑图谱实验室能够为提供服务以及认知科学知识（尤其是脑图谱）的融合和协同作用做出贡献。在此之前，我们非常感谢你们所有人，亲爱的朋友和实验室的同伴们
实现大脑图像共享：使用生成对抗网络实现具有分割标签的差异化隐私 TOF-MRA 图像
共享标记数据对于获取用于各种深度学习应用的大型数据集至关重要。在医学成像领域，由于隐私法规的原因，这通常是不可行的。虽然匿名化是一种解决方案，但标准技术已被证明是部分可逆的。在这里，使用具有差分隐私保证的生成对抗网络 (GAN) 的合成数据可以成为一种解决方案，既能确保患者的隐私，又能保持数据的预测特性。在本研究中，我们实现了具有和不具有差分隐私保证的 Wasserstein GAN (WGAN)，以生成用于脑血管分割的隐私保护标记的飞行时间磁共振血管造影 (TOF-MRA) 图像块。合成的图像标签对用于训练 U-net，该 U-net 根据来自两个不同数据集的真实患者图像的分割性能进行评估。此外，计算了生成的图像和真实图像之间的 Fréchet 初始距离 (FID) 以评估它们的相似性。在使用 U-Net 和 FID 进行评估时，我们探索了不同隐私级别的影响，该级别由参数 ε 表示。在更严格的隐私保障下，分割性能和 FID 与真实患者图像的相似性会下降。我们最好的分割模型是在合成数据和私人数据上训练的，在脑血管分割范例中，当 ε = 7.4 时，Dice 相似度系数 (DSC) 为 0.75，而当 ε = ∞ 时，Dice 相似度系数为 0.84（第二个测试集上的 DSC 分别为 0.69 和 0.88）。我们确定了一个阈值 ε < 5，对于该阈值，
大脑图谱框架：从癫痫动力学中吸取的教训
1 宾夕法尼亚大学佩雷尔曼医学院神经科学系，宾夕法尼亚州费城 19104 美国 2 宾夕法尼亚大学神经工程与治疗学中心，宾夕法尼亚州费城 19104 美国 3 宾夕法尼亚大学工程与应用科学学院生物工程系，宾夕法尼亚州费城 19104 美国 4 加利福尼亚大学医学科学家培训项目，加利福尼亚州旧金山 94143 美国 5 宾夕法尼亚大学佩雷尔曼医学院神经病学系，宾夕法尼亚州费城 19104 美国 6 宾夕法尼亚大学佩雷尔曼医学院放射学系，宾夕法尼亚州费城 19104 美国 7 宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学和信息学系，宾夕法尼亚州费城 19104 美国 8 宾夕法尼亚大学佩雷尔曼医学院宾夕法尼亚成像与可视化统计学研究中心，宾夕法尼亚州费城 19104 美国 9 生物医学图像计算与分析系，宾夕法尼亚大学佩雷尔曼医学院，宾夕法尼亚州 19104 美国 10 宾夕法尼亚大学工程与应用科学学院电气与系统工程系，宾夕法尼亚州费城 19104 美国 11 宾夕法尼亚大学艺术与科学学院物理与天文系，宾夕法尼亚州费城 19104 美国 12 宾夕法尼亚大学佩雷尔曼医学院精神病学系，宾夕法尼亚州费城 19104 美国 13 圣达菲研究所，新墨西哥州圣达菲 87501 a 这些作者贡献相同 * 通讯作者：andrew.revell@pennmedicine.upenn.edu
无监督图像配准可提高心脏和脑图像分析的性能和可解释性
摘要：磁共振成像 (MRI) 通常会招募多个序列（本文定义为“模态”）。由于每种模态都旨在提供不同的解剖和功能临床信息，因此不同模态之间的成像内容存在明显差异。模态间和模态内仿射和非刚性图像配准是临床成像中必不可少的医学图像分析过程，例如，在成像之前，需要在不同的 MRI 模态、时间阶段和切片之间获取和临床评估生物标志物。尽管在实际临床场景中通常需要仿射和非刚性图像配准，但尚未使用单一无监督模型架构进行广泛研究。在我们的工作中，我们提出了一种无监督深度学习配准方法，可以同时准确地模拟仿射和非刚性变换。此外，逆一致性是基本模态间配准属性，深度学习配准算法并未考虑该属性。为了解决逆一致性问题，我们的方法执行双向跨模态图像合成以学习模态不变的潜在表示，并涉及两个因式分解变换网络（每个编码器-解码器通道一个）和一个逆一致性损失以学习保持拓扑的解剖变换。总体而言，我们的模型（名为“FIRE”）在多模态脑 2D 和 3D MRI 以及模态内心脏 4D MRI 数据实验中表现出比参考标准基线方法（即使用 ANTs 工具箱实现的对称归一化）更好的性能。我们专注于解释模型数据组件，以增强模型在医学图像配准中的可解释性。在计算时间实验中，我们表明 FIRE 模型在节省内存的模式下运行，因为它可以在训练阶段直接学习保持拓扑的图像配准。因此，我们展示了一种高效且通用的配准技术，该技术在临床环境中的多模态图像配准中具有优势。
小鼠生命周期中突触蛋白的大脑图谱
。CC-BY-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2021 年 12 月 17 日发布。；https://doi.org/10.1101/2021.12.16.472938 doi：bioRxiv 预印本
从整体脑部提取的多尺度脑图...
重复使用 存放在 White Rose Research Online 中的项目受版权保护，保留所有权利，除非另有说明。您可以下载和/或打印这些项目用于个人学习，或国家版权法允许的其他行为。出版商或其他权利持有人可能允许进一步复制和重复使用全文版本。这由 White Rose Research Online 记录中该项目的许可信息指示。