XiaoMi-AI文件搜索系统
World File Search System脑部
下一代人类大脑组织学图谱及其在自动脑部 MRI 分割中的应用
图 1：组织学图谱中的 NextBrain，具有优点（）、缺点（）和中立点。（）。（A）打印的图谱 [1]，其中包含一组稀疏的手动追踪切片 [1]。（BG）覆盖范围有限的特定 ROI 的组织学图谱：（B）手动追踪的基底神经节切片 [8]；（C）确定性丘脑图谱的 3D 渲染 [11]；（DF）追踪的 MRI 切片、组织学切片和海马图谱的 3D 渲染 [12]；（G）我们的丘脑概率图谱切片 [14]。（HN）整个人脑的组织学图谱：（H）BigBrain 的 3D 重建切片 [13]；（I）MNI 模板上的 Julich-Brain 标签切片； (J) 标记的 Allen 参考脑组织学切片 [7]；(K) 使用受 (J) 启发的协议标记 MNI 模板；(LN) AHEAD 脑的 MRI、组织学和 3D 渲染 [22]。(OS) 我们的新图谱 NextBrain 包括五个标本的密集 3D 组织学 (OP) 和全面的手动标记 (Q)，从而可以构建概率图谱 (R)，该图谱可与贝叶斯技术相结合，自动标记体内 MRI 扫描中的 333 个 ROI (S)。
肺部和脑部感染中对结核分枝杆菌的独特抗体反应
结核分枝杆菌是结核病 (TB) 的病原体，仍然是全球健康负担。虽然结核分枝杆菌主要是一种呼吸道病原体，但它可以扩散到其他器官，包括大脑和脑膜，导致结核性脑膜炎 (TBM)。然而，人们对导致跨器官差异疾病的免疫机制知之甚少。人们的注意力集中在控制肺部结核分枝杆菌的 T 细胞反应差异上，但新出现的数据指出抗体作为疾病控制的生物标志物和抗菌分子发挥着作用。鉴于人们对血脑屏障跨区室抗体反应的认识日益加深，我们在此表征了 TBM 中血液和脑区室的抗体谱，并确定肺部结核分枝杆菌感染 (肺结核) 和 TBM 之间结核分枝杆菌特异性体液免疫反应是否不同。采用高通量系统血清学方法，我们深入分析了 HIV 阴性成人肺结核 ( n = 10) 和 TBM ( n = 60) 患者针对 10 种不同结核分枝杆菌抗原（包括脂阿拉伯甘露聚糖 (LAM) 和纯化蛋白衍生物 (PPD)）的抗体反应。抗体研究包括免疫球蛋白同种型 (IgG、IgM、IgA) 和亚类水平 (IgG1–4) 的分析以及结核分枝杆菌特异性抗体结合 Fc 受体或 C1q 并激活先天免疫效应功能（补体和自然杀伤细胞活化；单核细胞或中性粒细胞吞噬作用）的能力。机器学习方法被用于表征 TBM 中的血清和 CSF 反应，确定与疾病严重程度相关的预后因素，并确定区分 TBM 和肺结核的关键抗体特征。在患有 TBM 的个体中，我们发现脑脊液特异性抗体谱标志着针对结核分枝杆菌的独特且区室化的体液反应，其特征是结核分枝杆菌特异性抗体的富集，这些抗体能够强效激活补体并驱动单核细胞和中性粒细胞的吞噬作用，所有这些都与表现时的 TBM 严重程度较低有关。此外，与患有肺结核的个体相比，患有 TBM 的个体血清中存在结核分枝杆菌特异性抗体，激活单核细胞吞噬作用的能力增强，尽管 IgG 滴度和 Fc γ 受体结合能力较低。总的来说，这些数据表明体液反应在功能上有所不同，具体取决于感染部位（即肺部与大脑），并表明 TBM 中脑脊液内存在高度区室化的结核分枝杆菌特异性抗体反应。此外，我们的结果表明，吞噬作用和补体介导的抗体可能促进神经病理学减弱和 TBM 疾病减轻。
评估入院时脑部计算机断层扫描结果对预测创伤性脑损伤患者的长期预后
摘要 目的 评估中低收入国家 (LMIC) 创伤性脑损伤 (TBI) 患者的入院脑部计算机断层扫描 (CT) 扫描结果以预测长期神经系统结果。材料与方法 对 2017 年 3 月至 2018 年 4 月期间入住三级急诊医院的遭受 TBI 并在创伤后 12 小时内接受脑部 CT 扫描的患者进行前瞻性评估。所有住院至少 24 小时的患者在 12 个月后通过电话联系以评估他们的神经系统状况。结果 我们对 180 名患者进行了 12 个月的随访，其中大多数为男性 (93.33%)。 CT 发现的脑部变化，例如脑挫伤（BC；p = 0.545）、硬膜外出血（EDH；p = 0.968）和颅底骨折（SBF；p = 0.112）与较差的神经系统结果无关；然而，硬膜下出血（SDH；p = 0.041）、蛛网膜下腔出血（SAH；p 0.001）、脑肿胀（BS；p 0.001）、皮质沟消失（ECS；p = 0.006）、脑基底池消失（EBC；p 0.001）、凹陷性颅骨骨折（DSF；p = 0.017）和脑中线移位 > 5 毫米（p = 0.028）与较差的结果相关。
abba是一种用于全脑映射的新工具，它揭示了学习后脑部的脑范围差异
全脑细胞结构的无偏表征代表了理解大脑功能的宝贵工具。为此，从2D切片到3D脑图的组织学标记物的精确映射是关键的。在这里，我们提供了两个新型的软件工具，促进了这一过程：对齐大脑和地图集（ABBA），旨在简化2D段的精确注册到3D参考地图集，而Braian，一个用于多头标记的集成套件，用于多头标记器自动序列，全脑统计分析，全脑统计分析和数据可视化。结合了这些工具，我们对三个最广泛使用的早期基因（IEG）的全脑表达进行了全面的比较研究。由于其神经活动依赖性表达，IEG已被用作神经活动的代表来产生行为后的无偏图映射，但是它们对整个大脑中神经元激活的响应均尚不清楚。为了解决这个问题，我们在与记忆有关的三种不同的行为条件下，系统地比较了三个大量使用的IEG的脑部表达CFO，ARC和NPAS4。我们的结果突出了其分布和诱导模式的主要差异，表明它们不代表整个大脑区域或活动状态的等效标记，而是可以提供互补信息。简介
基于深度 CNN 的脑部 MRI 图像分类用于阿尔茨海默病诊断
摘要：阿尔茨海默病是全球痴呆症的主要病因，影响着数百万人，他们的日常活动、交流甚至人脸识别能力逐渐受损。虽然狼疮的病因尚不完全清楚，但它可能反映了生活方式的选择和环境因素以及遗传倾向。诊断这些疾病的最大障碍是它们通常早期表现不明显，而且缺乏灵敏的检测范例。深度学习算法在几年前首次出现在医学成像的前沿，并被誉为复杂的诊断辅助工具，能够在扫描中发现通常隐藏在人眼中的细微迹象。我们受益于使用这些最先进的算法来改善阿尔茨海默病的检测，其中当今最大的 MRI 数据集之一（超过 86,000 张图像）被用于训练我们的模型。鉴于这个庞大的数据集，它被明显地结合成一个以准确为中心的诊断工具。我们的新型深度学习模型性能强大，并提供了最先进的验证准确率（99.63%），超越了现有模型。这些数据凸显了我们的模型作为检测早期阿尔茨海默病的可验证方法的巨大前景——阿尔茨海默病是控制和管理疾病进展的一个重要问题。通过采用尖端的深度学习技术，我们的研究确实是阿尔茨海默病诊断领域的一大进步。早期诊断可以更好地治疗并减轻疾病负担，从而可以预防发病率、死亡率，甚至改变许多患者的治疗结果。这是在人工智能的帮助下诊断阿尔茨海默病的一大进步，并有望更准确、更及时地发现。
放射科创伤病例 CT 扫描脑部检查中切片厚度变化导致图像质量差异分析
提交日期：2024 年 5 月 4 日 修订日期：2024 年 6 月 11 日 接受日期：2024 年 7 月 3 日 发布日期：2024 年 7 月 3 日 摘要 在 RSI Siti Rahmah Padang 的放射科设施中，对创伤病例 CT 扫描脑部检查中切片厚度变化对图像质量的差异进行了分析研究。本研究旨在确定创伤病例 CT 扫描脑部检查中 3 毫米、5 毫米和 7 毫米不同切片厚度的图像质量差异，以及在创伤病例的 CT 扫描脑部检查中，哪种切片厚度能够产生最佳图像质量以确立诊断。本研究于 2022 年 1 月至 2022 年 6 月进行，采用定量研究和实验方法，采用目的抽样技术，并使用加权平均分数公式和 SPSS Friedman 方法处理分发给受访者的问卷数据。根据加权平均得分公式，切片厚度变化3 mm、5 mm和7 mm的最高均值为3 mm的切片厚度，均值为3.64，对比度分辨率均值为3.67，噪声为3.49，创伤病例CT脑部检查骨窗结果平均为t3.74。根据Friedman方法的SPSS结果发现，创伤病例CT脑部检查中3 mm、5 mm和7 mm切片厚度变化的结果存在显著差异（p值<0.05），这表明Hₒ被拒绝而Hₐ被接受。CT脑部检查中显示创伤的良好切片厚度变化是骨窗中3 mm的切片厚度，因为如果有非常小的骨折，可以更清楚地看到。关键词：脑 CT 扫描，创伤，切片厚度，对比度分辨率背景
使用生活方式和脑部病变的多模式痴呆识别，机器学习方法
痴呆症诊断通常依赖于限制访问早期筛查的昂贵和侵入性神经影像学技术。这项研究提出了一种创新的方法，用于使用可访问的生活方式和脑成像因子估算扩散张量成像（DTI）测量方法来促进早期痴呆症筛查。常规DTI分析虽然有效，但通常会受到高成本和有限的可访问性的阻碍。为了应对这一挑战，模糊的减法聚类确定了14个有影响力的变量，从生活方式中，用于脑健康，脑部萎缩和病变索引框架，包括人口统计学，医疗状况，生活方式因素和结构性脑标记。使用这些选定的变量开发了多层感知器（MLP）神经网络，以预测分数各向异性（FA），这是反映白质完整性和认知功能的DTI度量。MLP模型实现了有希望的结果，在FA预测的测试集中，平均平方误差为0.000 878，证明了其准确的DTI估计潜力，而无需昂贵的神经影像学技术。数据集中的FA值范围为0到1，较高的值表示更大的白质完整性。因此，平均平方误差为0.000 878表明与观察到的FA值相比，模型的预测高度准确。这种多因素方法与当前对痴呆症复杂病因的理解相吻合，受到各种生物学，环境和生活方式因素的影响。通过将随时可用的数据集成到预测模型中，该方法可以为早期痴呆症风险评估进行广泛的，具有成本效益的筛查。建议的无障碍筛查工具可以促进公共卫生计划中的及时干预，预防策略和有效的资源分配，最终改善患者的结果和照料者负担。
BGMDB：一个将肠道菌群失调与脑部疾病联系起来的精选数据库
肠道微生物群通过调节生理稳态和影响各种疾病的发病机制，在人类健康中发挥着关键作用。最近的研究强调了神经递质与多种脑部疾病的发展和治疗之间的密切关系，神经递质是肠道和大脑之间的通讯介质。尽管取得了这些进展，但在大量生物医学文献中，肠道微生物群与脑部疾病之间错综复杂的相互作用仍未得到充分探索。目前明显缺乏一个专注于肠道微生物群与脑部疾病关联的结构化数据库。我们来介绍一下 BGMDB（脑部疾病肠道微生物群数据库），这是一个精心策划的数据库，旨在提供实验支持的肠道微生物群与脑部疾病之间的联系。BGMDB 的当前版本广泛涵盖了 1,419 个关联，涉及 609 种肠道微生物群和 43 种脑部疾病，包括 184 个特定的关联三元组，将脑部疾病、神经递质和肠道微生物群与六种神经递质联系起来。值得注意的是，BGMDB 整合了 gutMGene 数据库中与肠道微生物群相关的基因数据。引入了脑区和疾病微生物网络，以研究脑部疾病和脑区变化之间潜在的共同遗传关系。BGMDB 中的每个条目都提供了对特定关联的详细见解，包括所涉及的特定脑部疾病、所涉及的肠道微生物群、神经递质以及相关文献参考支持的关系的简明描述。为了方便访问特定脑部疾病的相关信息，BGMDB 提供了增强的图形查询选项，以解决各种生物学相关的查询。此外，用户友好的界面允许用户方便地浏览、检索和下载条目。BGMDB 是研究与人类脑部疾病相关的微生物的宝贵资源。通过 http://43.139.38.118:8080/demo02/ 访问 BGMDB。
脑部扫描作为表意文字
3 为使用权力和其他不可接受的社会行为提供理由。...................................................................................................... 16 3.1 身心二元论和空虚身体的创造 .............................................................................................. 16 3.2 案例研究：NAMI 努力消除耻辱感。...................................................................................... 20 3.3 案例研究：《身体一直在记分》中的内疚症状 ............................................................................. 21 3.4 案例研究：杰伊·库马尔将美国政治描述为一个受创伤的大脑。............................................................................................. 23
时间重复变化对脑部 MRI T2 加权序列成像质量的影响
摘要：磁共振成像 (MRI) 是一种利用强磁场产生人体各部位图像的成像技术。通常进行的检查是脑部检查。这项研究是在巴厘岛曼达拉医院进行的。为了了解大脑的状况，可以进行 MRI 检查。MRI 可以产生称为序列的图像，这些序列产生 T1 加权图像 (T1WI)、T2 加权图像 (T2WI)，从而产生具有不同强度的可见图像。为了获得 T2WI，时间回波 (TE) 和时间重复 (TR) 必须很长，以使脂肪和水有机会衰减，这样脂肪和水的对比度才能很好地显现出来。这项研究旨在确定 TR 变化对 SNR 值的影响，并确定最佳 TR 以产生良好的图像值。在脑部 MRI 上生成 T2WI SNR。这个街头小贩活动使用了 Phillips 1.5 特斯拉型 MRI 飞机。数据收集自20名患者，TR值有3种变化，分别为3,500毫秒、5,500毫秒和7,500毫秒，总共获取了60张图像。通过直接在MRI设备上测量ROI来评估组织SNR值。对脑脊液（CSF）组织、脊髓进行SNR值分析。依次获得的SNR值在CSF组织中为174.24、211.22和244.51，在脊髓组织中为78.53、80.64和84.81。这个街头小贩活动表明，给出的TR值越长，SNR值就会增加。这是因为长TR值能够在更多切片中评估网络并提供更好的噪声信号值。7,500毫秒的TR变化可以产生最高的SNR值，从而得到的图像非常好。