XiaoMi-AI文件搜索系统
World File Search SystemADNI
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
注意力引导自动编码器，利用结构 MRI 自动预测主观认知衰退的进展
摘要 —主观认知衰退（SCD）是阿尔茨海默病（AD）的临床前阶段，比轻度认知障碍（MCI）更早。进行性SCD将转化为MCI，并有可能进一步发展为AD。因此，利用神经成像技术（如结构MRI）早期识别进行性SCD对于早期干预AD具有重要的临床价值。然而，现有的基于MRI的机器/深度学习方法通常存在样本量小和可解释性不足的问题。为此，我们提出了一种可解释的具有域迁移学习（IADT）的自编码器模型来预测SCD的进展。首先，该模型可以利用目标域（即SCD）和辅助域（如AD和NC）的MRI来识别进行性SCD。此外，它可以通过注意机制自动定位与疾病相关的感兴趣的大脑区域（在脑图谱中定义），显示出良好的可解释性。此外，IADT 模型在 CPU 上仅需 5 ∼ 10 秒即可轻松训练和测试，适用于小型数据集的医疗任务。在公开的 ADNI 数据集和私有的 CLAS 数据集上进行的大量实验证明了所提方法的有效性。
病理区域定位与阿尔茨海默病诊断的深度联合学习
基于大脑细微的形态变化，人们已经研究了使用结构磁共振成像 (sMRI) 识别阿尔茨海默病 (AD)。典型方法之一是基于深度学习的块级特征表示。然而，对于这种方法，在学习诊断模型之前预先确定的块可能会限制分类性能。为了缓解这个问题，我们提出了一个基于位置的门 (PG) 的 BrainBagNet，它应用通过 3D 坐标表示的大脑图像的位置信息。我们提出的方法基于 MR 扫描和位置信息来表示块级类别证据，以进行图像级预测。为了验证我们提出的方法，我们进行了实验，将我们的方法与最先进的方法进行比较，并评估了两个公开可用的数据集的稳健性能：1) ADNI 和 2) AIBL。此外，我们提出的方法在 AD 诊断和轻度认知障碍转换预测任务中的分类性能均优于比较方法，并从不同角度分析了我们的结果。根据我们的实验结果，我们认为所提出的方法有可能为基于深度学习的块级特征表示研究提供新的见解和视角。代码可在以下位置获取：github.com/ku-milab/PG-BrainBagNet 。
基于视觉注意模型和等距戒指形状上下文特征
摘要阿尔茨海默氏病（AD）是由脑细胞快速变性引起的一种不可逆的神经退行性疾病。越来越多的研究人员专注于有效，准确的AD诊断方法。在本文中，提出了一种通过从结构磁共振成像（SMRI）的显着性图中提取相等距离的环形上下文特征来识别AD的方法。对阿尔茨海默氏病神经影像倡议（ADNI）数据集的薄层MR图像的实验结果表明，我们的方法有助于提高识别脑部疾病的性能。特别是，AD与CN的分类精度为94.83％，AD对MCI的分类精度分别为98.31％，MCI与CN分别为85.77％。同时，对开放访问系列成像研究的实验数据集和临床收集的厚层MR图像验证了该方法的分类性能。结果表明，该方法在临床应用中可能具有更高的应用值，而AD与CN相比，分类精度分别为96.56％和98.18％。与基于灰色含量（GM）密度，皮质厚度和海马体积的方法相比，我们的方法达到了AD（或MCI）和CN分类的较高精度。
PET 技术流程手册
● 向 SCAN 数据门户提交图像数据 本手册包含有关在成像过程中照顾研究参与者的研究中心临床工作人员以及参与 PET 成像数据处理和传输的工作人员的信息。 联系信息 有关上传 SCAN 数据的问题：data.coordinator@loni.usc.edu（有关个别受试者的问题/疑虑，请联系您的转诊中心的研究协调员）。 技术/质量控制问题：koeppe@umich.edu（Robert A. Koeppe）或 slbaker@lbl.gov（Suzanne L. Baker）。 有关扫描仪特定的采集和重建参数的问题。 场地资格 场地最好使用现有的合格 TRC-PAD、ADNI、LEADS、DIAN、DIAN-TU、Pointer 或 NiAD 扫描仪进行 PET 成像。如果您使用的扫描仪尚未通过 Bob Koeppe 的这些项目之一的资格认证，则需要先进行资格认证才能进行成像。请联系 Bob Koeppe (koeppe@umich.edu)。如果您计划在新的 PET 扫描仪上获取 SCAN 数据，请联系 Bob Koeppe。您需要在新的 PET 扫描仪上扫描任何对象之前执行两次霍夫曼幻影扫描并将图像发送给 Bob Koeppe。霍夫曼幻影扫描
阿尔茨海默病的脑部 MR 图像分类
摘要 阿尔茨海默病 (AD) 是最常见的痴呆症类型。在发达国家，65 岁以后的 AD 发病率估计约为 5%，85 岁以上的发病率高达 30%。AD 会破坏脑细胞，导致人们失去记忆力、心理功能和继续日常活动的能力。这项研究的结果可能会帮助专家通过患者的磁共振成像 (MRI) 区分 AD 患者和正常对照 (NC) 来做出决策。性能进化被应用于来自阿尔茨海默病神经成像计划 (ADNI) 收集的 346 张磁共振图像。深度信念网络 (DBN) 分类器用于实现分类功能。权重用于测试所提出方法的识别能力，并使用样本训练集对网络进行训练。因此，这项研究提供了一种利用自动分类识别阿尔茨海默病的新方法。在测试中，它的表现令人钦佩，当将灰度共生矩阵 (GLCM) 特征与 DBN 相结合时，对 AD 和 NC 研究类别的准确率达到 98.46%。关键词：阿尔茨海默病、深度信念网络、灰度共生矩阵、磁共振成像。
脑不对称检测和机器学习分类用于诊断早期痴呆症“2279
摘要：早期识别人类大脑的退化过程对于提供适当的护理和治疗至关重要。这可能涉及检测大脑的结构和功能变化，例如左右半球之间不对称程度的变化。计算算法可以检测到变化，并用于痴呆症及其阶段（遗忘性早期轻度认知障碍 (EMCI)、阿尔茨海默病 (AD)）的早期诊断，并有助于监测疾病的进展。在这方面，本文提出了一种可以在商用硬件上实现的数据处理管道。它使用从阿尔茨海默病神经影像计划 (ADNI) 数据库的 MRI 中提取的大脑不对称特征来分析结构变化，并使用机器学习对病理进行分类。实验提供了有希望的结果，区分了认知正常 (NC) 的受试者和患有早期或进行性痴呆症的患者。经过测试的监督机器学习算法和卷积神经网络在 NC vs. EMCI 中的准确率分别达到 92.5% 和 75.0%，在 NC vs. AD 中的准确率分别达到 93.0% 和 90.5%。所提出的流程为痴呆症的分类提供了一种有前途的低成本替代方案，并且可能对伴有大脑不对称变化的其他大脑退行性疾病有用。
循环一致地嵌入3D大脑，并带有自动...
现代生成的对抗网络（gan）通过从潜在的z（即随机向量）中采样（即随机向量），并将其映射到x中的逼真图像（例如3D MRIS），从而实现了完整的3D脑图像的现实生成。为了解决无处不在的模式集合问题，最近的作品强烈强烈施加了某些特征，例如通过编码将x明确映射到z的先验。但是，这些效果无法将3D脑图像准确地映射到所需的先验中，生成器假定是从中对随机向量进行采样的。另一方面，各种自动编码gan（vae-gan）通过通过两个学习的参数强制执行高斯，但会导致图像中的模糊性。在这项工作中，我们展示了我们的循环一致嵌入GAN（CCE-GAN）如何准确地将3D MRI编码为标准的正常先验，并保持生成的图像的质量。我们在没有基于网络的代码歧视器的情况下通过Wasserstein度量实现了这一目标。我们使用ADNI的健康T1加权MRI进行定量和定性评估嵌入和产生的3D MRI。关键字：自动编码器，潜在空间，生成对抗网络，周期同意，3D MRI
![arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现](/simg/6\695a887162683872622af1dd7bade269710e62f2.webp)
arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现
MRI 的最新进展促成了大型数据集的产生。随着数据量的增加，在这些数据集中找到同一患者的先前扫描结果变得越来越困难（这一过程称为重新识别）。为了解决这个问题，我们提出了一种名为 DeepBrainPrint 的 AI 驱动的医学影像检索框架，旨在检索同一患者的脑部 MRI 扫描结果。我们的框架是一种半自监督对比深度学习方法，具有三项主要创新。首先，我们结合使用自监督和监督范式，从 MRI 扫描结果中创建有效的脑部指纹，可用于实时图像检索。其次，我们使用特殊的加权函数来指导训练并提高模型收敛性。第三，我们引入了新的成像变换，以提高在存在强度变化（即不同的扫描对比度）的情况下的检索稳健性，并考虑患者的年龄和疾病进展。我们在阿尔茨海默病神经影像计划 (ADNI) 的 T1 加权脑部 MRI 大型数据集和用于评估不同图像模式的检索性能的合成数据集上测试了 DeepBrainPrint。我们的结果表明，DeepBrainPrint 的表现优于之前的方法，包括简单的相似性指标和更先进的对比深度学习框架。