XiaoMi-AI文件搜索系统
World File Search SystemADNI
脑疾病研究基础设施数据收集和探索 (BRIDGE) 平台简介
1,100 1. 一天内发布数据 2. 数据包括昂贵且难以获取的 MRI、PET 和遗传学 3. 受试者为阿尔茨海默病和轻度认知障碍 (MCI) 患者以及健康志愿者。 4. AIBL 的研究也是第一个在实验设计中使用计算机化认知评估的研究。 5. 可在 ADNI LONI 网站上免费下载，供全球研究人员使用。 6. 数据协调与共享：AIBL 数据已提供给全球阿尔茨海默病协会互动网络 (GAAIN)，并安装了软件，从而使 GAAIN 用户能够查询元数据并接收队列摘要，随后用户可以在需要时通过提交意向书 (EoI) 请求更多信息（以及生物流体样本；血液和脑脊液）。
使用标量量化大脑预测年龄的不确定性......
通过脑解剖磁共振成像预测受试者的年龄有可能提供脑部变化的敏感摘要，从而指示不同的神经退行性疾病。然而，现有的研究通常忽略了这些预测的不确定性。在这项工作中，我们通过应用功能数据分析方法考虑了这种不确定性。我们针对阿尔茨海默病神经影像学计划 (ADNI) 中的认知正常 (CN) 受试者，提出了一个年龄与脑结构影响的惩罚功能分位数回归模型，并用它来预测轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 受试者的脑年龄。与脑年龄预测文献中可用的机器学习方法不同，它们只提供点预测，而我们的模型的结果是每个受试者的预测区间。
利用健康人群变异性进行深度学习无监督脑 FDG PET 异常检测
无监督异常检测是一种常用的神经成像数据分析方法，因为它可以从未标记的数据中识别出各种异常。它依赖于重建特定于受试者的健康外观模型，受试者的图像可以与该模型进行比较以检测异常。在文献中，异常检测通常依赖于分析受试者的真实图像与其伪健康重建之间的残差图像。然而，这种方法有局限性，部分原因是伪健康重建不完善，并且缺乏自然阈值机制。我们提出的方法受到 Z 分数的启发，利用健康人群的变异性来克服这些限制。我们对 ADNI 数据库中的 3D FDG PET 扫描进行的实验证明了我们的方法在准确识别模拟阿尔茨海默病相关异常方面的有效性。
使用 3D T1- ... 的阿尔茨海默病体积图像
缩写：AD = 阿尔茨海默病；ADNI = 阿尔茨海默病神经影像学倡议；AUC = 曲线下面积；CNN = 卷积神经网络；MCI = 轻度认知障碍；OASIS = 开放获取影像学研究系列；SVM = 支持向量机 阿尔茨海默病 (AD) 是导致痴呆的最常见原因，轻度认知障碍 (MCI) 被视为正常认知与痴呆早期阶段之间的过渡状态。1 尽管目前的治疗和预防方法仅有中等效果，但在 AD 早期阶段，可靠的决策诊断方法非常重要。2、3 美国国家老龄化研究所 - 阿尔茨海默病协会的指南建议，MRI 成像是 AD 和 MCI 患者诊断工作的辅助影像学工具。 2、3 影像生物标志物在 AD 诊断中发挥着重要作用，无论是在
分析阿尔茨海默氏病的特征：使用易元的RESNET18 Network
摘要：阿尔茨海默氏病（AD）的第一个迹象之一是轻度的认知障碍（MCI），其中中级阶段之间存在很小的大脑变化。尽管最近在其早期发展水平上对AD的诊断有所增加，大脑变化及其功能性磁共振成像（fMRI）的复杂性，这使AD的早期发现很难。本文提出了一种基于深度学习的方法，该方法可以预测MCI，早期MCI（EMCI），已故MCI（LMCI）和AD。阿尔茨海默氏病神经影像学倡议（ADNI）fMRI数据集，由138名受试者组成。Finununed Resnet18网络的分类精度为99.99％，99.95％和99.95％的EMCI vs.ad，lmci vs.ad和MCI与EMCI分类场景。就准确性，灵敏度和特定城市而言，所提出的模型的性能比其他已知模型更好。
衰老科学
在最近的一项研究中，宾夕法尼亚大学医学院的研究人员使用机器学习来解释阿尔茨海默病的异质性，在正电子发射断层扫描 (PET) 中使用两种放射性诊断剂 18F-flortaucipir 和 18F-氟脱氧葡萄糖作为 tau (T) 和神经元代谢减慢 (NM) 的标记物——大脑葡萄糖消耗减少，与认知能力下降有关——来自阿尔茨海默病神经影像学计划 (ADNI) 的 289 名有症状的患者。该团队在 6 个 T/NM 集群中发现了不同的恢复力和脆弱性模式。他们的研究结果表明，对 tau 有恢复力的群体代谢减慢比预期的要少，认知能力也比“典型群体”更好，而对 tau 明显更易感的群体代谢减慢比预期的要多，认知能力下降更严重，影像学和临床指标提示同时存在非阿尔茨海默病 (AD) 并发症状。观察到的 T/Nm 不匹配表明存在不同的成像特征，对 AD 具有病理生物学和预后意义。
文章通过深度学习模型和放射组学方法实现阿尔茨海默病的计算机辅助诊断
摘要：本文针对阿尔茨海默病的诊断问题，结合深度学习与影像组学的方法，提出了一种基于改进的卷积神经网络模型和图像融合方法的阿尔茨海默病诊断分类模型，并与现有的网络模型进行了比较。在ADNI和PPMI数据库中收集了182例阿尔茨海默病患者，在单模态图像训练中AUC达到0.906，在融合图像训练中AUC达到0.941，证明了所提方法在融合图像上具有更好的性能。该研究对促进多模态图像在阿尔茨海默病诊断中的应用具有推动作用，基于多模态图像的融合图像数据集比单模态图像数据集具有更高的诊断准确率。深度学习方法和影像组学显著提高了阿尔茨海默病的诊断准确率。
Vision Transformers和Bi-LSTM用于3D MRI
摘要 - 阿尔茨海默氏症是一种随着时间的流逝而恶化并影响记忆，思维和行为的脑部疾病。阿尔茨海默氏病（AD）如果被诊断出来，可以治疗和治疗，从而减慢症状的进展并改善生活质量。在这项研究中，我们建议使用视觉变压器（VIT）和BI-LSTM处理MRI图像以诊断阿尔茨海默氏病。我们使用VIT从MRI提取特征，然后将其映射到特征序列。然后，我们使用BI-LSTM序列建模来保持相关特征之间的相互依赖性。此外，我们使用阿尔茨海默氏病神经成像倡议（ADNI）的数据评估了AD患者二元分类模型的性能。最后，我们对文献中其他深度学习模型进行了评估。所提出的方法在准确性，精度，F得分和回忆方面表现良好，以诊断AD。
建模大脑萎缩动力学增强了预测阿尔茨海默氏病连续体认知能力下降
阿尔茨海默氏病（AD）被认为是认知能力下降的连续体，而潜在的生物学变化，预测疾病进展至关重要。脑萎缩状态对于评估疾病的严重程度和预后是关键的，但是对其纵向变化及其与进展的统治建模尚未得到充分兴奋。本研究提出了一种基于深度学习的新型方法，可以精确地模拟从ADNI数据库中收集的轻度认知障碍（MCI）受试者的62个皮质和皮质下区域的萎缩动力学，随后是独特的培训方案，以添加β-淀粉样蛋白蛋白质对促性蛋白质的影响以及对模型型的特征的影响。此外，我们将动力学直接实施到MCI中，以将动态实施到示例转换预测任务。我们的发现证明了使用深度学习对萎缩动力学进行建模的可行性，并建议利用动力学代表（DR）增强了转换预测。
结合多视角信息增强多模态 MRI 数据的特征表示，实现 MCI 分类
轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段，与大脑结构和功能变化有关，其分类仍然是一项具有挑战性的任务。最近的研究表明，通过结合多种结构和功能特征（例如灰质体积和聚类系数）有望提高 MCI 分类的性能。然而，提取哪些特征以及如何组合多种特征来提高 MCI 分类的性能一直是一个具有挑战性的问题。为了解决这些问题，在本研究中，我们提出了一种新方法，通过结合多视图信息来增强多模态 MRI 数据的特征表示，以提高 MCI 分类的性能。首先，我们基于自动解剖标记 (AAL) 图谱从每个受试者的 T1w MRI 和 rs-fMRI 数据中提取每个皮质大脑区域的两个结构特征（包括灰质体积和皮质厚度）和两个功能特征（包括聚类系数和最短路径长度）。然后，为了获得更有助于区分 MCI 受试者的特征，提出了一种改进的多任务特征选择方法，即 MTFS-gLASSO-TTR。最后，采用多核学习算法将多个特征组合起来执行 MCI 分类任务。我们针对来自阿尔茨海默病神经影像计划 (ADNI) 数据库的 315 名受试者（包括 105 名 LMCI 受试者、105 名 EMCI 受试者和 105 名 NC）评估了我们提出的 MCI 分类方法，这些受试者的 T1w MRI 和 rs-fMRI 数据均来自阿尔茨海默病神经影像计划 (ADNI) 数据库。实验结果表明，我们提出的方法对 LMCI/NC 分类的准确率为 88.5%，受试者工作特征 (ROC) 曲线下面积 (AUC) 为 0.897，对 EMCI/NC 分类的准确率为 82.7%，AUC 为 0.832，对 LMCI/EMCI 分类的准确率为 79.6%，AUC 为 0.803。此外，通过比较，我们提出的方法在 MCI 分类中的准确率和 AUC 值优于一些现有的最先进方法。总的来说，我们提出的 MCI 分类方法是有效的，并且有望在临床实践中用于 MCI 的自动诊断。