XiaoMi-AI文件搜索系统
World File Search System脑网
社论：用于大脑成像和大脑网络构建的生成AI
脑成像在探索大脑中起着重要的作用，这被认为是宇宙中最复杂的事物。近年来，大脑成像技术领域取得了显着的进步。同时，大脑成像技术的进步大大增强了我们对大脑网络的理解。作为探索大脑结构与功能之间关系的重要工具，大脑网络计算代表了人工智能的最有希望的方向，以实现神经科学领域的突破和进步。通过采用人工智能算法来整合来自多模式脑成像的互补特征，可以揭示神经回路的连通性特征，并基于功能，结构和组织建立基于功能，结构和组织的多级映射大脑网络模型。生成的人工智能（AI）目睹了显着的扩展，其中包括利用可用数据来生成新的内容，这些内容具有与现实世界数据相比的基础模式。融合了这两个领域，即生成的AI和神经影像学，为探究大脑成像和大脑网络计算的各个领域的有前途的路径，在提取时空的大脑特征和重建大脑网络拓扑连接性的领域中尤其是在提取时空的领域。生成的人工智能帮助研究人员在有限的样本条件下学习和了解更广泛的特征空间中的大脑功能机制。它有助于研究人员设计能够处理和关联多模式数据和域知识信息的有效融合方法。通过将多模式的大脑数据与神经科学的先验知识相结合，它可以在不同级别和大脑的不同级别固有的合作语义信息和知识规则之间达到互补的协同作用。本研究主题包含九种文章，可以大致分为三类：（1）四种文章主要关注生成性的人工智力方法来增强大脑数据的应用，（2）三个文章研究人工智力和脑部机制之间的关系，以探索智力的智力，探索智力的功能，并探索临时的智力（3）（3）（3）（3），（3）脑部疾病的诊断。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
患者患者的大脑网络特征 -
现代脑成像技术与复杂网络理论的组合，即图理论提供了分析人脑网络的强大工具（Power等，2010； Wang和Wang，2014）。大脑功能网络的研究为理解病理机制，然后为早期诊断神经精神疾病的帮助提供了一种新的观点（Wang等，2021）。先前的研究表明，PSD可能是由于某些特定的大脑网络的损害引起的（Boes等，2015）。Zhang等。 （2019）使用功能性磁共振成像（fMRI）扫描了情感网络中的杏仁核，以研究静止状态下左颞叶梗塞的PSD患者脑功能网络的特征。 他们发现PSD与损坏的脑网络的重组密切相关，该网络主要涉及杏仁核和前额叶皮层。 同样，Shi等人。 （2017）在静止状态下从扣带回皮质中收集了fMRI数据，并比较了带有和没有PSD的中风幸存者之间默认模式网络（DMN）的拓扑特性。 结果表明，PSD患者的前扣带回皮质与前额叶皮层，扣带回皮层和运动皮质的功能连通性显着降低。 然而，增强了前扣带回皮层与海马，帕拉希帕克宫，岛岛和杏仁核的功能连通性。 这些表明PSD的发病机理可能与DMN中的连通性改变有关。 Balaev等。Zhang等。（2019）使用功能性磁共振成像（fMRI）扫描了情感网络中的杏仁核，以研究静止状态下左颞叶梗塞的PSD患者脑功能网络的特征。他们发现PSD与损坏的脑网络的重组密切相关，该网络主要涉及杏仁核和前额叶皮层。同样，Shi等人。（2017）在静止状态下从扣带回皮质中收集了fMRI数据，并比较了带有和没有PSD的中风幸存者之间默认模式网络（DMN）的拓扑特性。结果表明，PSD患者的前扣带回皮质与前额叶皮层，扣带回皮层和运动皮质的功能连通性显着降低。然而，增强了前扣带回皮层与海马，帕拉希帕克宫，岛岛和杏仁核的功能连通性。这些表明PSD的发病机理可能与DMN中的连通性改变有关。Balaev等。（2018）进一步证明了PSD患者的DMN和显着性网络都发生了变化。在另一项静止状态fMRI研究中，Egorova等人。（2018）发现，左侧背侧前额叶皮层与PSD患者的右上边缘回合之间的功能连通性大大降低，并且额心认知控制网络中连通性的下降与抑郁症的严重程度呈正相关。通常，这些研究发现PSD患者的前额叶皮层，杏仁核或海马区域的脑网络连通性异常。然而，对静息状态的大脑网络特性进行了最多的研究，此外，从改变的大脑功能网络的角度来看，它们的结果尚无定论。
用隐藏的高斯图形光谱模型识别振荡性脑网络
识别基于间接观察到的过程的功能网络构成了神经科学或其他领域的反问题。对此类反问题的解决方案估算为第一步，该活动从脑电图或MEG数据中从功能网络中出现。这些脑电图或MEG估计是对功能性脑网络活动的直接反映，其时间分辨率是其他体内神经图像无法提供的。第二步估计了此类活动pseudodata的功能连通性，揭示了与所有认知和行为密切相关的振荡性脑网络。对此类MEG或EEG逆问题的模拟还揭示了由任何最新的反溶液确定的功能连接性的估计误差。我们揭示了估计误差的重要原因，该原因源自将任一个逆解决方案步骤的功能网络模型的错误指定。我们介绍了指定这种振荡性脑网络模型的隐藏高斯图形光谱（HIGGS）模型的贝叶斯识别。在人EEGα节律模拟中，以ROC性能为单位测得的估计错误在我们的HIGG逆溶液中不会超过2％，而最先进的方法中的估计误差则达到20％。猕猴同时发生的EEG/ECOG记录为我们的结果提供了实验性确认，根据Riemannian距离，其一致性比最新的方法高的1/3倍。
脑网络分析揭示了患有皮质和皮质下梗塞的轻度中风患者在执行认知任务时存在收敛和发散异常
尽管一致的证据表明认知障碍是轻度中风患者的常见后遗症，但很少有研究关注它，也没有研究病变部位对认知功能的影响。关于轻度中风和病变部位对认知功能影响的神经机制的证据有限。这促使我们对不同病变部位的轻度中风患者的功能性脑网络特性进行全面而定量的研究。具体而言，在本研究中引入了一种实证方法来探索轻度中风引起的认知改变对认知任务期间功能性脑网络重组的影响（即视觉和听觉异常）。从三组（即 40 名皮质梗塞患者、48 名皮质下梗塞患者和 50 名健康对照者）估计了脑电图功能连接。使用图论分析，我们定量研究了整体和节点层面的功能性脑网络的拓扑重组。结果显示，两组患者在两项任务中的行为表现均明显较差，反应时间明显变长，反应准确度降低。此外，两组患者的整体和局部效率均下降，表明与中风相关的信息处理效率轻微受损，且与病变部位无关。在节点层面，两组患者均呈现出发散和收敛的节点强度分布模式，这意味着不同病变部位的轻度中风会导致视觉和听觉信息处理过程中的复杂区域改变，而某些强大的认知过程与病变部位无关。这些发现首次定量揭示了轻度中风引起的认知障碍的复杂神经机制，扩展了我们对不同病变部位引起的认知相关大脑网络潜在改变的理解，可能有助于促进中风后的管理和康复。
早期逆境改变了老鼠结构性脑网络组织的经济状况
图1实验设计和生成建模程序。（a）在产后第0天，将49只幼崽随机分配到不可预测的产后应力或标准饲养条件下，直到产后第26天。第70天后，处死小鼠并进行离体扩散成像。全脑概率拖拉术用于重建每只动物的结构连接。（b）使用10个节点的简化连接组的生成过程的插图。从稀疏种子网络（t = 0）开始，一次添加一个边缘，直到模拟达到观察到的连接组中发现的边缘数（t = e）。在每个步骤中都更新了接线概率的矩阵，随着网络拓扑的出现，可以进行动态变化。（c）通过系统地改变生成规则和参数组合，可以识别拓扑术语k和参数𝜂和𝛾最能最能模拟观察到的连接组的组织。
破坏了出生的儿童的静止状态脑网络动态极端早产
发育中的大脑必须适应极其早产（EPT）出生后的环境和内在侮辱。正在进行的成熟过程最大程度地适合环境，这可以为神经发育失败提供底物。静止状态功能磁共振成像用于扫描33名出生的EPT儿童，胎龄<27周，在10岁时进行了26个完美控制。我们研究了大脑区域传播神经信息（固有点火）及其跨时间的可变性（节点 - 测素）的能力。该框架是针对背部注意网络（DAN），Frontoparietal，默认模式网络（DMN）以及显着性，边缘，视觉和体感网络计算的。与对照组相比，EPT组在DMN和DAN中显示出固有的点火降低，并且在DMN，DAN和显着性网络中降低了淋巴结量。两组的固有点火和节点 - 渗透率值与12岁的认知性能相关，但在调整后仅在术语组中存活。早产扰乱了3个核心高级网络中休息的功能性脑组织的签名：DMN，显着性和DAN。在EPT诞生后识别脆弱的静止状态网络可能会导致旨在重新平衡大脑功能的干预措施。
从发育临床样本中功能性脑网络的精神病理学疾病和障碍特异性维度
。cc-by-nc-nd 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
PTGB：用于脑网络分析的预训练图神经网络
人脑是神经生物系统的中央枢纽，以复杂的方式控制行为和认知。神经科学和神经影像分析的最新进展表明，人们对大脑感兴趣区域（ROI）之间的相互作用及其对神经发育和疾病诊断的影响越来越感兴趣。作为分析图结构数据的强大深度模型，图神经网络（GNN）已被应用于脑网络分析。然而，训练深度模型需要大量标记数据，由于数据获取的复杂性和共享限制，这些数据在脑网络数据集中往往很少。为了充分利用可用的训练数据，我们提出了 PTGB，这是一个 GNN 预训练框架，它可以捕捉内在的脑网络结构，而不管临床结果如何，并且很容易适应各种下游任务。 PTGB 包含两个关键组件：（1）专为大脑网络设计的无监督预训练技术，能够从没有特定任务标签的大规模数据集中学习；（2）数据驱动的分区图谱映射管道，可促进具有不同 ROI 系统的数据集之间的知识转移。使用各种 GNN 模型进行的广泛评估表明，与基线方法相比，PTGB 具有稳健且卓越的性能。
不同的大脑网络特征预测儿童和成人的内在化和外在特征
。cc-by-nc 4.0国际许可（未获得同行评审证明），他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年6月24日。 https://doi.org/10.1101/2023.05.20.20.541490 doi：Biorxiv Preprint