XiaoMi-AI文件搜索系统
World File Search SystemADNI
使用纵向变分自动编码器对图像数据进行进展模型
摘要。疾病进展模型对于理解退行性疾病至关重要。混合效应模型一直用于模拟临床评估或从医学图像中提取的生物标志物，允许在任何时间点进行缺失数据的填补和预测。然而，这种进展模型很少用于整个医学图像。在这项工作中，变分自动编码器与时间线性混合效应模型相结合，以学习数据的潜在表示，使得各个轨迹随时间遵循直线，并以一些可解释的参数为特征。设计了一个蒙特卡罗估计器来迭代优化网络和统计模型。我们将此方法应用于合成数据集，以说明时间依赖性变化与受试者间变异性之间的分离，以及该方法的预测能力。然后，我们将其应用于来自阿尔茨海默病神经影像计划 (ADNI) 的 3D MRI 和 FDG-PET 数据，以恢复大脑结构和代谢改变的详细模式。
研究文章 使用统计似然比检验对阿尔茨海默病进行计算机辅助诊断
这项工作的目的是为放射科医生提供一种计算机辅助诊断工具，以帮助他们诊断阿尔茨海默病。在阿尔茨海默病的检测中实施了信号检测理论的统计似然比程序。使用阿尔茨海默病 (AD) 患者和正常对照 (NC) 的内侧颞叶 (MTL) 体积构建似然比的概率密度函数。使用 T1 加权 MRI 图像，通过 Free-Surfer 软件计算 MTL 以及大脑其他解剖区域的体积。AD 和 NC 的 MRI 图像是从阿尔茨海默病神经影像学倡议 (ADNI) 的数据库下载的。使用阿尔茨海默病最小间隔共振成像 (MIRIAD) 的单独数据集进行诊断测试。 MIRIAD 数据集的敏感性为 89.1%，特异性为 87.0%，优于最优秀的放射科医生在未输入其他患者信息的情况下所达到的 85% 的敏感性和特异性。
食管癌中药物治疗和耐药性的机制
最近的研究表明，大脑功能连通性障碍是在阿尔茨海默氏病（AD）以及轻度认知障碍（MCI）的情况下发生的早期事件。我们将大脑作为基于图的网络建模，以研究这些障碍。在本文中，我们使用基于图理论的功能磁共振（FMR）图像的特征提出了一种新的诊断方法，以使用不同的分类技术来区分AD，MCI和健康对照（HC）受试者。这些技术包括线性支持向量机（LSVM）和正规化的极限学习机（RERM）。我们使用成对的Pearson基于相关的功能连接来构建大脑网络。我们使用阿尔茨海默氏病神经影像计划（ADNI）数据集比较了大脑网络的分类性能。node2Vec图嵌入方法用于将图形特征转换为特征向量。实验结果表明，与其他分类技术相比，具有LASSO特征选择方法的SVM具有更好的分类精度。
用于检测的卷积神经网络算法...
近年来，由于全球预期寿命的增加，阿尔茨海默病 (AD) 的识别变得至关重要。如果出现轻度认知障碍 (MCI)，则可能会发展为阿尔茨海默病和痴呆症，因为它会永久损害患者的心智能力。许多研究人员都全心全意地关注这种疾病，因为如果及早发现，就可以治疗并阻止其发展。心理检查和生化测试通常用于诊断这种疾病。磁共振成像 (MRI) 扫描分析用于检查人脑结构的变化，是检测阿尔茨海默病的建议方法之一。本研究使用 SPM（统计参数映射）工具箱对脑 MRI 图像进行预处理，然后分割脑灰质 (GM) 并将其输入卷积神经网络 (CNN) 算法。本文使用 ADNI（阿尔茨海默病神经成像计划）数据集。根据测试结果，我们可以准确区分正常对照（NC）、阿尔茨海默病和中度认知障碍三组。
通过模态混合和深度监督进行脑部疾病诊断的多模态连接组的不完全学习
近年来，多模态脑网络研究通过刻画脑网络的多种连接类型及其内在的互补信息，大大提高了脑疾病诊断的效率。尽管多模态技术取得了令人鼓舞的性能，但大多数现有的多模态方法只能从具有完整模态的样本中学习，这浪费了大量的单模态数据。此外，大多数现有的数据插补方法仍然依赖于大量具有完整模态的样本。在本研究中，我们提出了一种模态混合数据插补方法，通过随机抽取不完整样本并将其合成为完整数据进行辅助训练。此外，为了减轻合成数据中不配对模态间互补信息的噪声，我们引入了一个具有深度监督的双边网络，以使用疾病特定信息改进和规范单模态表示。在 ADNI 数据集上的实验证明了我们提出的方法在不同完整模态样本率方面的疾病分类优势。关键词：脑连接组，不完全学习，深度监督，脑功能障碍，缺失模态
![arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日](/simg/1\179a87c6f83be0ee92585383a262d85d2db19fa0.webp)
arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日
摘要：轻度认知障碍（MCI）是阿尔茨海默病（AD）的前兆，MCI的检测具有重要的临床意义。分析患者的结构脑网络对于识别MCI至关重要。然而，目前对结构脑网络的研究完全依赖于特定的工具箱，耗时且主观，很少有工具可以从脑扩散张量图像中获取结构脑网络。在本文中，提出了一种基于对抗学习的结构脑网络生成模型（SBGM），直接从脑扩散张量图像中学习结构连接。通过分析不同受试者结构脑网络的差异，我们发现从老年正常对照（NC）到早期轻度认知障碍（EMCI）再到晚期轻度认知障碍（LMCI），受试者的结构脑网络呈现出一致的趋势：随着病情的恶化，结构连接朝着逐渐变弱的方向发展。此外，我们提出的模型对 EMCI、LMCI 和 NC 受试者进行了三分类，在阿尔茨海默病神经影像计划 (ADNI) 数据库上实现了 83.33% 的分类准确率。
![arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日](/simg/a\a950b131d362b47fd5ae1cd14876a3bec7368c35.webp)
arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日
在多模态学习中，某些模态比其他模态更有影响力，而它们的缺失会对分类/分割准确性产生重大影响。为了应对这一挑战，我们提出了一种新方法，称为元学习模态加权知识蒸馏（MetaKD），该方法可以使多模态模型即使在关键模态缺失的情况下也能保持高精度。MetaKD 通过元学习过程自适应地估计每种模态的重要性权重。这些学习到的重要性权重指导成对模态加权知识蒸馏过程，允许高重要性模态将知识迁移到低重要性模态，从而即使缺少输入也能实现稳健的性能。与该领域以前的方法通常针对特定任务且需要进行重大修改不同，我们的方法旨在以最少的调整完成多项任务（例如分割和分类）。在五个流行数据集（包括三个脑肿瘤分割数据集（BraTS2018、BraTS2019 和 BraTS2020）、阿尔茨海默病神经成像计划 (ADNI) 分类数据集和 Audiovision-MNIST 分类数据集）上的实验结果表明，所提出的模型能够大幅超越比较模型。
用于多模态痴呆症诊断的高阶拉普拉斯正则化低秩表示
多模态异构数据，如结构磁共振成像 (MRI)、正电子发射断层扫描 (PET) 和脑脊液 (CSF)，可通过提供有关退化脑部疾病（如阿尔茨海默病前驱期，即轻度认知障碍）的互补信息，有效提高痴呆症自动诊断的性能。有效地整合多模态数据仍然是一个具有挑战性的问题，尤其是当这些异构数据由于数据质量差和患者退出而不完整时。此外，多模态数据通常包含由不同扫描仪或成像协议引起的噪声信息。现有方法通常无法很好地处理这些异构且嘈杂的多模态数据以进行脑痴呆症自动诊断。为此，我们提出了一种高阶拉普拉斯正则化低秩表示方法，使用逐块缺失的多模态数据进行痴呆症诊断。对来自真实阿尔茨海默病神经影像学计划 (ADNI) 队列的 805 名受试者（具有不完整的 MRI、PET 和 CSF 数据）对所提出的方法进行了评估。实验结果表明，与最先进的方法相比，我们的方法在脑疾病分类的三个任务中是有效的。
头对头比较...
本文已提交给阿尔茨海默氏症和痴呆症杂志，目前正在审查中。Suzanne E. Schindler，医学博士，博士* 1，Kellen K. Petersen，PhD 1，Benjamin Saef，MS 1，MS 1，Duygu Tosun，Duygu Tosun，PhD 2，Leslie M. Shaw，PhD 3，Henrik Zetterberg，Henrik Zetterberg，MD Triana-Baltzer, PhD 13 , Lei Du-Cuny, PhD 14 , Yan Li, PhD 1 , Janaky Coomaraswamy, PhD 15 , Michael Baratta, BA, MCAHPM 15 , Yulia Mordashova, MS 14 , Ziad S. Saad, PhD 13 , David L. Raunig, PhD 15 , Nicholas J. Ashton, PhD 4,16,17 , Emily A. Meyers，PhD 18，Carrie E. Rubel，PhD 12，Erin G. Rosenbaugh，PhD 19，Anthony W. Bannon，Anthony W. Bannon，PhD 20，William Z. Potter，医学博士，医学博士21，阿尔茨海默氏病神经影像学计划（ADNI）**阿尔茨海默氏病项目小组
medblip：3D医学图像和文本
摘要。视觉语言预处理（VLP）模型已在众多计算机视觉应用中被证明。在本文中，我们基于图像扫描和电子健康记录中的文本介绍，为医疗领域开发VLP模型，以促进计算机辅助诊断（CAD）。为了实现这一目标，我们介绍了MedBlip，这是一种轻巧的CAD系统，该系统启动了从架子冻结的预训练的图像编码器和大型语言模型中启动VLP。我们合并了一个MEDQFormer模块，以弥合3D医学图像和2D预训练的图像编码器和语言模型之间的差距。为了评估MEDBLIP的有效性，我们从五个公共阿尔茨海默氏病（AD）数据集中收集了30,000多个图像量：ADNI，NACC，OASIS，OASIS，AIBL和MIRIAD。在这个大规模的广告集中，我们的模型在健康，轻度认知障碍（MCI）和AD主题的零摄像分类中表现出了令人印象深刻的表现，并且还显示了其在M3D-VQA-AD数据集中的医学视觉问题An-Swering（VQA）中的能力。代码和预训练模型可在https://github.com/qybc/medblip上找到。