XiaoMi-AI文件搜索系统
World File Search System脑血
运动学特征与脑血流动力学之间的相关性表明单指和双指运动协调性的变化
方法：招募 21 名右利手受试者，要求他们在同一平面上以相同方向（同相，IP）和相反方向（反相，AP）完成单指和双指的圆周运动。记录每个任务的运动数据（包括半径和角速度）以及使用功能性近红外光谱 (fNIRS) 同步的血氧浓度数据，覆盖前额叶皮层、运动皮层和枕叶等六个脑区。使用一般线性模型定位激活的脑区，并使用与基线相比血氧浓度的变化来评估脑区激活程度。使用小世界特性、聚类系数和效率来测量运动过程中大脑活动中的信息交互。
脑血清素能纤维建议异常扩散 -
随机辍学已成为人工神经网络（ANN）中的标准正则化技术，但是目前尚不清楚生物神经网络（Bionns）中是否存在类似机制。如果这样做，它的结构可能会通过数亿年的进化来优化，这可能表明大规模ANN中的新型辍学策略。我们建议大脑血清素能纤维符合一些预期的标准，因为它们的存在，随机结构和在整个人的寿命中成长的能力。由于血清素能纤维的轨迹可以建模为异常扩散过程的路径，因此，在这项概念验证研究中，我们研究了基于超级产生分数布朗尼运动（FBM）的辍学算法。这项研究有助于ANN中受生物启发的正则化。
基于深度学习和数据分析的脑血肿分割
摘要：脑出血是一种发病率逐年上升的恶性疾病。CT 是获取血肿信息和定期监测脑损伤变化的常用方法。然而，由于高频断层扫描，需要获取大量的 CT 图像，这使得分析过程变得复杂。为了提高分析速度并确保 CT 检测的准确性，我们将 CT 与深度学习相结合以实现自动分割。在本研究中，我们开发了一种基于具有残差效应的 U-net 的出血图像分割模型。首先，我们对数据进行筛选，将其分为三部分进行训练、评估和盲测。其次，我们对数据集进行预处理以进行数据增强，以避免过度拟合。数据增强后，我们将数据传输到算法进行训练。对于最终模型，我们获得了一个图像分割器，其平均交并比得分为 0.8871，骰子得分为 0.9362。该算法速度为26.31 fps，大大提高了分析速度。因此，分割器获得了较高的检测效率和定量检测，适合定期监测出血区域并协助医生制定治疗方案。此外，二值分割算法可用于开发头部出血CT图像分类分割任务的预训练模型。
使用医学成像进行脑血液动力学预测的物理信息的神经网络
摘要 - 确定脑血流动力学在诊断和治疗各种脑血管疾病中起着至关重要的作用。在这项工作中，我们提出了一个具有物理信息的深度学习框架，该框架通过一维（1D）降低阶模型（ROM）模拟来增强稀疏的临床测量，以生成具有高时空分辨率的物理一致的脑血液动力学参数。经颅多普勒（TCD）Ul-Trasound是当前临床工作流中最常见的技术之一，可以使大脑动脉内血流速度进行非侵入性和无创的评估。然而，由于颅骨的声窗受到限制的可访问性，因此在空间上仅限于脑桥一次的少数位置。我们的深度学习框架在大脑的几个位置使用了体内实时TCD速度测量，结合了从3D血管造影图像获得的基线容器横截面区域，并提供了整个大脑脉管中的速度，面积和压力的高分辨率图。我们验证了通过四维（4D）流磁共振成像（MRI）扫描获得的体内速度测量值的预测。然后，我们通过成功预测基于相应的稀疏速度测量值的血管痉挛局部血管直径的变化来展示该技术在诊断脑血管痉挛（CVS）中的临床意义。我们通过在各种狭窄水平的大脑血管痉挛后产生合成的血流数据来显示这种能力。在这里，我们证明了基于物理学的深度学习方法可以估计和量化特定于主体的大脑血液动力学变量，尽管缺乏对入口和让边界条件的了解，但这是常规纯粹基于物理学模型的准确性的显着限制。
一种可穿戴无光纤光学传感器，用于连续监测自由活动小鼠的脑血流量
用于自由行为受试者的功能性大脑监测的可穿戴技术将促进我们对认知处理和适应性行为的理解。现有技术缺乏这种能力，或者需要侵入性程序和/或以其他方式阻碍在社交行为条件、运动和睡眠期间进行大脑评估。为此，我们开发了一个完整的系统，结合了脑血流量 (CBF) 测量、O 2 和 CO 2 供应以及行为记录，用于清醒、自由行为的小鼠。创新的弥散散斑对比流量计 (DSCF) 设备和相关硬件被小型化并针对小受试者应用进行了优化。安装和使用这种可穿戴、无光纤、近红外 DSCF 头台/探头不需要开颅、侵入性探头植入或对清醒动物进行约束。使用新的 DSCF 设计与光学标准进行的测量之间存在显著相关性。该系统成功且反复地检测到麻醉和移动小鼠对 CO 2 诱导的高碳酸血症的 CBF 反应。在自然行为过程中收集 CBF 和活动信息可以提供真实的生理结果，并为探索它们与病理生理状况的相关性开辟道路。
利用高分辨率三维光学显微镜成像研究小鼠全脑血管的进展
虽然免疫组织化学和电子显微镜研究也揭示了 NVU 主要参与者的重要见解，但这些方式通常仅限于局部大脑区域，因为它们不易应用于全脑研究。然而，一些研究表明，同侧皮质不同区域的细胞组成、能量需求以及多种功能存在很大差异，更不用说大脑的其余部分了。14、15 这表明一个大脑区域的血管特征和组织可能不适用于其他大脑区域。因此，需要对脑血管组织和大脑区域异质性进行网络级和全脑研究，以更好地了解它们的关键功能以及病理条件下的任何潜在脆弱性。幸运的是，技术创新为小鼠全脑脑血管映射研究铺平了道路。虽然方法列表在不断增加，但这里的重点将包括当前几种细胞分辨率离体成像方法的改编，这些方法可以大致分为连续切片的块面成像和光片荧光显微镜 (LSFM)。我们还将讨论作为成像过程不可或缺的一部分的样品处理和血管标记策略。这些成像模式提供了研究脑血管系统细节的方法，每种方式都有自己的优点和局限性。重要的是，这些研究在技术上具有挑战性，不仅在成像方面，而且在需要高水平计算技能的分析流程方面。鉴于此，以及这些模式的快速扩展和我们对脑血管系统重要性的理解，综合最近研究工作中获得的知识和资源已成为必要。
人类非快速眼动睡眠促进全脑血管运动和呼吸脉动
睡眠必要性的生理基础仍不确定。最近的证据表明，睡眠会增加脑脊液 (CSF) 的对流并促进间质溶质的输出，从而为解释为什么所有脊椎动物都需要睡眠提供了一个框架。心血管、呼吸和血管运动脑脉动均已被证明会驱动脑脊液沿血管周围空间流动，但尚不清楚这些脉动在人类睡眠期间如何变化。为了研究这些脉动现象与睡眠的关系，我们同时记录了一组健康志愿者的快速 fMRI、磁共振脑电图 (MREG) 和脑电图 (EEG) 信号。我们通过频谱熵分析量化了信号频率分布的睡眠相关变化，并通过功率总和分析计算了 15 名受试者（年龄 26.5 6 4.2 岁，6 名女性）的生理（血管运动、呼吸和心脏）脑脉动的强度。最后，我们确定了 EEG 慢振荡 (0.2 – 2 Hz) 功率和 MREG 脉动之间的空间相似性。与清醒状态相比，非快速眼动 (NREM) 睡眠的特点是频谱熵降低和脑脉动强度增加。对于极低频 (£ 0.1 Hz) 血管运动脉动，这些影响在后脑区域最为明显，但对于呼吸脉动也在整个大脑范围内明显，对于心脏脑脉动则影响较小。在与显示睡眠相关 MREG 脉动变化的大脑区域空间重叠的大脑区域中，EEG 慢振荡功率增加。我们认为，频谱熵降低和脉动强度增强是 NREM 睡眠的特征。根据我们发现的慢振荡功率增加，目前的结果支持睡眠促进人脑液体运输的假设。
在功能性近红外光谱中应用短通道回归时表征脑血流动力学反应的可重复性
它可以测量与任务相关的大脑活动模式相关的脑血液动力学变化。5 近年来，fNIRS 的应用开始从受控的研究实验室转向更自然的环境和现实世界的任务。6 – 8 fNIRS 的可穿戴和不受约束的使用为神经成像应用铺平了道路，例如，用于床边和家庭中监测大脑功能 9、10 或用于脑机接口 (BCI) 设置，以与机器人设备结合使用来协助神经障碍者在日常生活活动中。11 – 13 此类应用需要满足高技术要求的尖端 fNIRS 系统[例如，高信噪比 (SNR)、快速信号处理和消除运动伪影的功能]和可用性（例如，高舒适度和准确的传感器放置）以捕捉日常生活环境中大脑活动的细微变化。 7、14此外，家庭和临床脑活动监测对 fNIRS 测量的稳健性和可靠性/可重复性提出了很高的要求，因为这些因素直接影响灵敏地捕捉神经变化和准确控制 BCI 外部设备的能力。虽然在群体层面上已经发现了良好的可重复性，15-17这足以回答许多研究问题，但尚未提供个人在多天内可重复的 fNIRS 测量的证据。因为单级可重复性对大多数临床和日常应用都至关重要，所以彻底表征它是必不可少的。预计会影响 fNIRS 测量可重复性的主要因素是硬件的信号质量（即 SNR）、18、19 光极的放置和固定、18、20
人类非快速眼动睡眠促进全脑血管运动和呼吸脉动
版权所有 © 2022 Helakari 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。
全脑血管图：图学习和神经科学的数据集和基准（VesselGraph）
生物神经网络定义了人类和其他哺乳动物的大脑功能和智力，并形成了超大的空间结构图。它们的神经元组织与大脑微血管的空间组织紧密相连，微血管为神经元提供氧气并构建互补的空间图。这种血管（或血管结构）在神经科学中起着重要作用；例如，血管结构的组织（和变化）可以代表各种病理的早期迹象，如阿尔茨海默病或中风。最近，组织透明化的进展使得全脑成像和小鼠大脑血管整体分割成为可能。基于这些成像方面的进展，我们将基于特定的成像协议提供可扩展的全脑血管图数据集。具体来说，我们使用一种利用体积渲染引擎 Voreen 的改进图形提取方案来提取血管图，并通过 OGB 和 PyTorch Geometric 数据加载器以可访问且适应性强的形式提供它们。此外，我们使用引入的血管图数据集对许多最先进的图学习算法在血管预测和血管分类的生物学相关任务上进行了基准测试。我们的工作为推进图学习研究进入神经科学领域铺平了道路。作为补充，所呈现的数据集为机器学习社区提出了具有挑战性的图学习研究问题，包括将生物学先验纳入学习算法，或扩展这些算法以处理具有数百万个节点和边的稀疏空间图。1