XiaoMi-AI文件搜索系统
World File Search SystemADNI
使用NeuroMark PET独立组件分析框架构建多元分子成像大脑图谱
标题：使用NeuroMark PET独立组件分析框架运行：Neuromark Ica Ica Ica Pet Atlas作者：Cyrus Eierud A，Martin Norgaard B，C，Murat Bilgel D，Helen Petropoulos A，Helen Petropoulos A，Zening Fuu a，Zening Fuu A，Armin iraji J.Meran iman gran geran geran gran geran， ，Cyril Pernet H，Vince D. Calhoun A，I，J为阿尔茨海默氏病神经影像学计划*隶属关系：A）神经影像学和数据科学转化研究中心（趋势），乔治亚州立大学，乔治亚州立大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚大学，乔治亚州大学，乔治亚大学。b）美国马里兰州贝塞斯达国立卫生研究院国家心理健康研究所分子成像分支。c）丹麦哥本哈根哥本哈根计算机科学系。d）美国马里兰州巴尔的摩国家老化研究所行为神经科学实验室。e）Karolinska Institutet和斯德哥尔摩县议会临床神经科学系，斯德哥尔摩，SE-171 64，瑞典。f）美国纽约哥伦比亚大学精神病学系。g）美国纽约哥伦比亚大学生物统计学系。h）丹麦哥本哈根Rigshospitalet的神经生物学研究部门。i）美国佐治亚州亚特兰大佐治亚州立大学神经科学研究所和物理学心理学和计算机科学系。j）佐治亚州佐治亚州佐治亚州佐治亚州佐治亚州佐治亚州理工学院电气和计算机工程系 *）用于准备本文的数据是从阿尔茨海默氏病神经影像学计划（ADNI）数据库（ADNI.loni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在：http：//adni.loni.usc.edu/wp- content/uploads/how_to_apply/adni_acknowledgement_list.pdf
通过基于图像的数据驱动疾病进展模型识别临床前阿尔茨海默病试验队列中的异质性
结果 我们从 A4 研究中纳入了 1,240 名 Aβ+ 参与者（和 407 名 Aβ- 对照者），以及 731 名符合 A4 标准的 ADNI 参与者。SuStaIn 确定了三种神经退行性疾病亚型 - 典型、皮质、皮质下 - 共包括 523 人（42%）。其余的被指定为零亚型（萎缩不足）。皮质亚型的基线 PACC 评分（A4 主要结果）明显低于零亚型（中位数 = -1.27，IQR = [-3.34,0.83]）（中位数 = -0.013，IQR = [-1.85,1.67]，P<.0001）和皮质下亚型（中位数 = 0.03，IQR = [-1.78,1.61]，P = .0006）。在 ADNI 中，在四年的时间里（与 A4 相当），在典型（-0.23/年；95% CI，[-0.41,-0.05]；P=.01）和皮质（-0.24/年；[-0.42,- 0.06]；P=.009）亚型以及 CDR-SB（典型：+0.09/年，[0.06,0.12]，P<.0001；和皮质：+0.07/年，[0.04,0.10]，P<.0001）中均观察到 mPACC 的认知能力下降更为严重。
增强医疗保健推荐：深度卷积神经网络中的迁移学习用于阿尔茨海默病检测
阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 等神经退行性疾病会严重影响大脑功能和认知。先进的神经成像技术，尤其是磁共振成像 (MRI)，通过检测结构异常在诊断这些疾病方面发挥着至关重要的作用。这项研究利用以大量 MRI 数据而闻名的 ADNI 和 OASIS 数据集来开发用于检测 AD 和 MCI 的有效模型。该研究进行了三组测试，比较了多个组：多类分类（AD vs. 认知正常 (CN) vs. MCI）、二元分类（AD vs. CN 和 MCI vs. CN），以评估在 ADNI 和 OASIS 数据集上训练的模型的性能。对这两个数据集都应用了高斯滤波、对比度增强和调整大小等关键预处理技术。此外，还利用 U-Net 进行颅骨剥离，通过去除颅骨来提取特征。研究了几种著名的深度学习架构，包括 DenseNet-201、EfficientNet-B0、ResNet-50、ResNet-101 和 ResNet-152，以识别与 AD 和 MCI 相关的细微模式。采用迁移学习技术来提高模型性能，利用预训练数据集来改进阿尔茨海默氏症 MCI 检测。ResNet-101 与其他模型相比表现出色，在涵盖 AD、CN 和 MCI 的多类分类任务中，在 ADNI 数据集上实现了 98.21% 的准确率，在 OASIS 数据集上实现了 97.45% 的准确率。它在区分 AD 和 CN 的二元分类任务中也表现良好。ResNet-152 在 OASIS 数据集上 MCI 和 CN 之间的二元分类方面表现尤为出色。这些发现强调了深度学习模型在准确识别和区分神经退行性疾病方面的实用性，展示了它们在增强临床诊断和治疗监测方面的潜力。
使用经过扩散MRI训练的卷积神经网络的脑年龄分析和痴呆分类：印度和北美队列的测试
摘要 - 基于卷积神经网络（CNN）的深度学习模型已用于对阿尔茨海默氏病进行分类或从T1加权大脑MRI扫描中推断痴呆症的严重程度。在这里，我们研究了添加扩散加权MRI（DMRI）作为这些模型的输入的值。在这一领域进行了许多研究，重点介绍了特定数据集，例如阿尔茨海默氏病神经影像学计划（ADNI），该计划评估了北美人（主要是欧洲血统）的人，因此我们研究了对ADNI培训的模型，该模型如何推广到来自印度（Nimhans Cohort）的新人口数据集。我们首先通过预测“大脑时代”来基准我们的模型 - 从其MRI扫描中预测一个人的年龄并继续进行广告分类的任务。我们还评估了在训练CNN模型之前使用3D CycleGAN方法来协调成像数据集的好处。我们的实验表明，在大多数情况下，在协调后的分类性能会提高，并且DMRI作为输入的性能更好。
队列研究数据的差异影响对痴呆症预测诊断的人工智能模型的外部验证 - 转化为临床实践的经验教训
摘要 人工智能 (AI) 方法为个性化、症状前疾病诊断提供了绝佳机会，这在个性化、预测性和最终预防医学 (PPPM) 的背景下发挥着关键作用。然而，要将 PPPM 转化为临床实践，至关重要的是仔细验证基于 AI 的模型。验证过程包括几个步骤，其中之一是根据来自独立临床队列研究的患者级数据测试模型。然而，招募标准可能会对队列研究数据的统计分析产生偏差，并阻碍模型在训练数据之外的应用。为了评估来自独立临床队列研究的数据是否以及如何彼此不同，本研究系统地比较了从两个主要痴呆症队列收集的数据集，即阿尔茨海默病神经影像学计划 (ADNI) 和 AddNeuroMed。所呈现的比较是在个体特征层面进行的，并揭示了两个队列之间的显著差异。这种系统偏差可能会妨碍基于单个队列数据集的结果的普遍性。尽管发现了差异，但对之前发布的、用于预测 244 名 AddNeuroMed 受试者个性化痴呆风险评分的 ADNI 训练模型的验证是成功的：外部验证导致在痴呆症诊断前 6 年内，受试者工作特征曲线下面积超过 80% 的高预测性能。倾向得分匹配确定了来自 AddNeuroMed 的一组患者，其与 ADNI 的人口统计学差异明显较小。对于这些患者，实现了更高的预测性能，这表明队列之间的系统差异可能对验证结果产生影响。总之，这项研究揭示了在队列研究数据上对 AI 模型进行外部验证的挑战，并且是神经病学领域进行此类外部验证的罕见案例之一。所提出的模型代表了一种概念证明，即个性化预测诊断的可靠模型是可行的，这反过来可以导致充分的疾病预防，从而使痴呆症领域的 PPPM 范式成为可能。
机器学习在大数据成像研究临床转化中面临的挑战 Nicola K Dinsdale 1,2*、Emma Bluemke 3、Vaanathi Sundaresan 1,4
现有的大型数据集已被整理用于探索不同的研究问题，不同研究中受试者数量和成像点数量各不相同。例如，如果研究问题是关于寿命和衰老，要考虑的数据集将包括英国生物库（Sudlow 等人，2015 年）和 CamCAN（Taylor 等人，2017 年）。同样，如果考虑早期发展，可用的数据集包括发展中的 HCP（dHCP）（Hughes 等人，2017 年）和青少年大脑认知发展（ABCD）（Marek 等人，2019 年）；对于年轻人的研究，可以考虑 HCP 年轻人（Van Essen 等人，2013 年）。还存在探索特定临床群体的数据集，例如阿尔茨海默病（ADNI（Jack 等人，2008 年））、精神分裂症和躁郁症（CANDI（Frazier 等人，2008 年））。这些数据集允许探索传统小规模研究（例如 N<100）无法实现的问题，因为这些研究无法充分代表目标人群中的差异。大规模研究还能够表征患者样本中的潜在亚型 - 例如，（Young 等人，2018 年）使用来自 ADNI 的数据证明了阿尔茨海默病相关萎缩模式的异质性和亚型。
基于直方图特征提取和Canny边缘
阿尔茨海默病 (AD) 越来越影响老年人，是 65 岁以上人群的主要杀手。不同的深度学习方法用于自动诊断，但它们也存在一些局限性。深度学习是用于检测和分类医学图像的现代方法之一，因为深度学习能够自动提取图像的特征。然而，使用深度学习准确分类医学图像仍然存在局限性，因为提取医学图像的精细边缘有时被认为是困难的，并且图像中存在一些失真。因此，本研究旨在开发一种计算机辅助脑部诊断 (CABD) 系统，该系统可以判断脑部扫描是否显示出阿尔茨海默病的迹象。该系统采用 MRI 和特征提取方法对图像进行分类。本文采用阿尔茨海默病神经影像学计划 (ADNI) 数据集，包括用于阿尔茨海默病患者识别的功能性 MRI 和正电子版本断层扫描，这些扫描是为阿尔茨海默病患者和典型个体制作的。所提出的技术利用 MRI 脑部扫描来发现和分类特征，利用直方图特征提取 (HFE) 技术与 Canny 边缘相结合来表示卷积神经网络 (CNN) 分类的输入图像。此策略跟踪图像中梯度方向的实例。实验结果为 ADNI 图像分类提供了 97.7% 的准确率。
通过图卷积聚集对发育和脑部疾病的分类
基于图卷积的方法已成为图表表示学习的标准，但它们对疾病预测任务的应用仍然非常有限，这特别是在神经发育和神经发育生成脑疾病的分类中。在本文中，我们通过在图形采样中掌握聚合以及跳过连接和身份映射来引入Ag-Gregator归一化卷积网络。提出的模型通过将成像和非成像特征同时纳入图节点和边缘来学习歧视图形节点表示形式，以增强预测能力，并为基础的脑疾病的基础机械抗体提供整体观点。跳过连接使信息从输入功能直接流到网络的后期层，而身份映射有助于在功能学习过程中维护图的结构信息。我们根据两个大型数据集，自闭症脑成像数据交换（ABIDE）和阿尔茨海默氏病神经影像学计划（ADNI）进行了替补，以预测自闭症谱系障碍和阿尔茨海默氏症的异常。实验结果表明，与最近的基线相比，我们的方法的效率是几个评估指标的表现，分别在Abide和ADNI上的图形卷积网络上，分类的分类卷积网络分别获得了50％和13.56％的相关性改善。
胶质反应性与衰老和阿尔茨海默氏病谱系的突触功能障碍有关
并进行了筛查/基线MRI扫描，没有感染，梗塞或其他局灶性病变的证据（排除了临界记忆结构中有多个裂缝或裂缝的个体）。我们总共评估了480个个人：107个来自三合会的队列[64个认知不损害（CU），43个认知受损（CI）]和373个来自ADNI队列[113 CU和260 CI]。我们包括了50岁以上的这些同类人员的所有参与者，他们有CSF GFAP，可溶性TREM2（Strem2），
通过结构 MRI 诊断阿尔茨海默病的 3D 卷积神经网络
摘要 — 阿尔茨海默病 (AD) 是一种广泛存在的神经退行性疾病，由大脑结构变化引起，导致认知功能恶化。患者通常在不可逆的神经损伤发生后，在后期出现诊断症状。因此，早期发现 AD 对于开始治疗以减缓疾病进展和最大限度地提高患者的生活质量至关重要。随着机器学习和扫描技术的快速发展，使用神经成像数据的计算机辅助系统可能能够早期检测 AD。其中，利用磁共振成像 (MRI) 的深度学习已成为一种突出的工具，因为它能够通过局部连接、权重共享和空间不变性提取高级特征。本文通过构建 3D VGG 变体卷积网络 (CNN)，描述了我们基于两个公开可用的数据集 ADNI 和 OASIS 对分类准确性的研究。我们使用 3D 模型来避免信息丢失，信息丢失发生在将 3D MRI 切片成 2D 图像并通过 2D 卷积滤波器对其进行分析的过程中。我们还对数据进行了预处理，以提高模型的有效性和分类性能。所提出的模型在 ADNI 上实现了 73.4% 的分类准确率，在 OASIS 数据集上实现了 69.9% 的分类准确率（5 倍交叉验证 (CV)），优于 2D 网络模型。索引术语 — 阿尔茨海默病、深度学习、图像分类、3D CNN、MRI、神经影像学