XiaoMi-AI文件搜索系统
World File Search SystemConnectome
通过顺序统计对人脑网络拓扑数据分析
了解整个人群的大脑网络的拓扑特征对于理解大脑功能至关重要。将人类连接组抽象为图形对于了解大脑网络的拓扑特征至关重要。在考虑异质性和随机性的同时开发大脑图中的组级统计推断程序仍然是一项艰巨的任务。在本研究中，我们使用顺序统计量开发了一个基于持久同源性的稳健统计框架来分析大脑网络。使用顺序统计量大大简化了持久条形码的计算。我们使用全面的模拟研究验证了所提出的方法，随后将其应用于静息态功能磁共振图像。我们得出结论，男性和女性的大脑网络之间存在统计学上显着的拓扑差异。
通过结构功能耦合预测的认知能力
Marcusstr的Würzburg大学心理学系I。9-11，WürzburgD-97070，德国B心理与脑科学系，印第安纳大学，1101 E. 10 Th Bloomington，Bloomington，47405-7007，美国，约翰娜Popp：Johanna Popp：0000-0003-1704-9890 Jonas Thiele：0000-0003-1704-9890 JOSHU： Faskowitz: 0000-0003-1814-7206 Caio Seguin: 0000-0001-9384-6336 Olaf Sporns: 0000-0001-7265-4036 Kirsten Hilger: 0000-0003-3940-5884 * Corresponding authors: johanna.popp@uni-wuerzburg.de , kirsten.hilger@uni-wuerzburg.de Acknowledgements The authors thank the Human Connectome Project (Van Essen et al., 2013), WU-Minn Consortium (Principal Investigators: David Van Essen and Kamil Ugurbil; 1U554MH091657) funded by the 16 NIH Institutes and Centers that support the NIH Blueprint for Neuroscience Research, and by the华盛顿大学麦克唐纳系统神经科学中心提供了主要样本的数据，以及阿姆斯特丹开放MRI Collection（Snoek等，2021）的所有贡献者，用于提供复制样本的数据。 我们还要感谢莱布尼兹研究中心的埃尔汉·杰恩（Erhan Gen）和克里斯托夫·弗雷恩斯（Christoph Fraenz）在项目的早期阶段对数据分析和思想的发展贡献。 这项研究得到了Lilly Endowment，Inc。的部分支持，其支持印第安纳大学普遍技术研究所。 利益冲突陈述作者在研究，作者身份和/或出版本文的研究，作者身份和/或出版中没有潜在的利益冲突。9-11，WürzburgD-97070，德国B心理与脑科学系，印第安纳大学，1101 E. 10 Th Bloomington，Bloomington，47405-7007，美国，约翰娜Popp：Johanna Popp：0000-0003-1704-9890 Jonas Thiele：0000-0003-1704-9890 JOSHU： Faskowitz: 0000-0003-1814-7206 Caio Seguin: 0000-0001-9384-6336 Olaf Sporns: 0000-0001-7265-4036 Kirsten Hilger: 0000-0003-3940-5884 * Corresponding authors: johanna.popp@uni-wuerzburg.de , kirsten.hilger@uni-wuerzburg.de Acknowledgements The authors thank the Human Connectome Project (Van Essen et al., 2013), WU-Minn Consortium (Principal Investigators: David Van Essen and Kamil Ugurbil; 1U554MH091657) funded by the 16 NIH Institutes and Centers that support the NIH Blueprint for Neuroscience Research, and by the华盛顿大学麦克唐纳系统神经科学中心提供了主要样本的数据，以及阿姆斯特丹开放MRI Collection（Snoek等，2021）的所有贡献者，用于提供复制样本的数据。我们还要感谢莱布尼兹研究中心的埃尔汉·杰恩（Erhan Gen）和克里斯托夫·弗雷恩斯（Christoph Fraenz）在项目的早期阶段对数据分析和思想的发展贡献。这项研究得到了Lilly Endowment，Inc。的部分支持，其支持印第安纳大学普遍技术研究所。利益冲突陈述作者在研究，作者身份和/或出版本文的研究，作者身份和/或出版中没有潜在的利益冲突。
跨发育的连接组揭示大脑成熟的原理
从出生到成年，动物的神经系统会随着身体的成长和行为的成熟而发生变化 [1–8]。连接组中电路重塑的形式和程度尚不清楚 [3, 9–15]。我们使用连续切片电子显微镜重建了八个同源秀丽隐杆线虫个体在出生后各个阶段的全脑，以了解其如何随年龄变化。从出生到成年，大脑的整体几何形状都得以保留。在这个恒定的支架上，化学突触连接出现了显著的变化。比较个体之间的连接组可以发现显著的连接差异，这些差异使得每个大脑都部分独特。比较成熟过程中的连接组可以发现不同神经元之间的一致连接变化。这些变化改变了现有连接的强度并产生了新的连接。
跨发育的连接组揭示大脑成熟的原理
从出生到成年，动物的神经系统会随着身体的成长和行为的成熟而发生变化 [1–8]。连接组中电路重塑的形式和程度尚不清楚 [3, 9–15]。我们使用连续切片电子显微镜重建了八个同源秀丽隐杆线虫个体在出生后各个阶段的全脑，以了解其如何随年龄变化。从出生到成年，大脑的整体几何形状都得以保留。在这个恒定的支架上，化学突触连接出现了显著的变化。比较个体之间的连接组可以发现显著的连接差异，这些差异使得每个大脑都部分独特。比较成熟过程中的连接组可以发现不同神经元之间的一致连接变化。这些变化改变了现有连接的强度并产生了新的连接。
认知绩效和脑结构 - 核 - ...
1穆斯特大学翻译精神病学研究所，德国穆斯特48149； 2德国法兰克福60528，高斯大学，法兰克福大学医院精神病学系，精神病医学和心理治疗系； 3穆斯特大学转化神经科学研究所，德国穆斯特48149； 4 Connectome Lab，复杂性状遗传学系，神经基因组学和认知研究中心，阿姆斯特丹神经科学的Vrije Universiteit Amsterdam，荷兰1081 HV阿姆斯特丹； 5荷兰神经科学研究所，荷兰皇家荷兰艺术与科学学院研究所，睡眠和认知系，荷兰1105 BA阿姆斯特丹，荷兰； 6 Marburg大学精神病学与心理治疗系，德国Marburg 35039； 7德国马尔堡35032 Marburg大学心理，大脑与行为中心； 8耶拿大学医院/弗里德里希·塞米尔大学的精神病学系，德国耶拿，耶拿； 9 Halle大学心理学研究所，德国06108 HALLE（SAAL）； 10穆斯特大学放射科，德国穆斯特48149号和11号儿童精神病学系，阿姆斯特丹大学医学中心，阿姆斯特丹神经科学，1105 AZ AMSTERDAM，荷兰阿姆斯特丹
Braintgl-计算科学系
对功能性脑网络（FBN）中的动态特征进行建模对于理解人脑的功能机制很重要。但是，目前的作品并未完全考虑人脑中潜在的复杂空间和时间相关性。为了解决这个问题，我们建议针对大脑网络的时间图表示学习框架（BraintGL）。框架涉及一个时间图池，以消除嘈杂的边缘和数据不一致，以及用于捕获时间图的时空特征的双时间图学习。已在四个数据集上的诊断/性别分类（分类任务）和亚型识别（聚类任务）中评估了所提出的方法：Human Connectome Project（HCP），自闭症脑成像数据交换（ABID），NMU-MDD和NMU-BD。为ASD诊断实现了很大的改进。具体而言，我们的模型的表现分别超过了GroupInn和ST-GCN的准确性4.2％和8.6％，与基于功能连接性特征或学识渊博的时空特征的最新方法相比，其优势与最新方法相比。结果表明，在FBN中学习建模动力学特征的时空 - 临时大脑网络表示可以改善模型在疾病诊断和亚型识别任务上的多种疾病的表现。除了性能外，计算效率和收敛速度的提高降低了培训成本。
![arxiv：2402.13776v1 [eess.iv] 2024年2月21日](/simg/a\ac0b60b10798999275667e9daa0881f6832a3270.webp)
arxiv：2402.13776v1 [eess.iv] 2024年2月21日
早期婴儿期是行为和神经认知的快速而动态的神经发育。纵向磁共振成像（MRI）是通过捕获大脑结构的发育性发展来研究这种关键阶段的有效工具。但是，由于参与者辍学和扫描失败，纵向MRI获取始终遇到严重的数据失误问题，这使纵向婴儿大脑Atlas的构建和发展轨迹描述非常具有挑战性。由于开发了基于AI的生成模型，神经图像完成已成为一种有力的技术，可以保留尽可能多的可用数据。但是，当前的图像完成方法通常在时间维度中每个内部主题内部都遇到不一致的，从而损害了整体质量。为了解决这个问题，我们的论文提出了一个两阶段的扩散模型Cas-diffcom，用于致密和纵向3D婴儿脑MRI MRI完成和超级分辨率。我们将提出的方法应用于Baby Connectome项目（BCP）数据集。实验结果验证了Cas-Diffcom在纵向婴儿脑图像完成中既可以达到单个共识和高保真度。我们进一步将生成的婴儿脑图像应用于两个下游任务，即脑组织分割和发育轨迹描述，以声明其在神经科学领域中面向任务的潜力。
抗激素药物发现和发育：以所有可能的方式针对病毒及其宿主
抽象的关联思维在创造力中起着重要作用，因为它涉及链接遥远概念的能力。然而，允许将遥远的员工结合在创造性思维任务中的神经机制仍然知之甚少。我们研究了与结合远程关联以创造性思维的整体功能连接模式。使用Connectome预测建模方法，我们检查了与组合关联任务（CAT）中的近距离和遥远的远程联合有关的全脑功能连接模式。大脑连接性网络预测CAT性能显示出大脑功能连接的贡献，主要与默认模式网络相关，这可能与任务所有试验中所需的关联过程有关。此外，与CAT试验相关的关联远程NES的功能连接模式也很大程度上涉及执行控制网络，背注意网络和体积运动网络，这表明更受控的过程在具有较高的关联远程性的试验中起着重要作用。至关重要的是，与任务的较高创造性需求相关的功能连接模式与以前发现的功能连接性模式共享相似之处，以预测不同的思维。因此，我们的工作有可能提供对神经机制的见解，这些神经机制在融合和不同的远程思维中都起着作用。
智力和创造力具有共同的认知和神经基础
智力和创造力是不同的能力，还是依赖相同的认知和神经系统？我们试图通过结合fMRI数据的机器学习和认知能力数据的潜在可变建模（n 186）（n 186）来量化智力和创造性认知在大脑和行为中重叠的程度，他们完成了一系列的智力和创造性思维任务。该研究具有三个分析目标：（a）评估特定智力方面（例如流体和结晶的智力）的贡献，以及对创造力的一般智力（即，思维独创性），（b）模拟全脑功能连接性网络，以预测智力方面和创造性的网络，并（c）量化这些预测的网络，以量化这些预测的网络。使用结构方程建模，我们发现了智力方面和创造力之间的中等到大相关性，以及一般智能与创造力之间的巨大相关性（r .63）。使用基于Connectome的预测建模，我们发现，预测智能方面的功能性大脑网络与预测创意能力的网络重叠，尤其是在执行控制网络的前额叶皮层中。值得注意的是，一个预测通用情报的网络与一个预测创造力的网络共享了46％的功能连接，包括连接执行控制以及显着性/腹侧注意网络的连接，使情报和创造性思维依赖于类似的神经和认知系统。
从扩散MRI
结构性脑图通常仅限于定义节点为灰质区域，其边缘会反映在成对节点之间的轴突投影的密度。在这里，我们将脑面膜内的整个体素集成为高分辨率，主题特定图的节点。我们使用扩散张量和从扩散MRI数据得出的扩散张量和分布分布函数来定义局部体素至素连接的强度。我们在人类Connectome项目的数据上研究图形的Laplacian光谱特性。然后，我们通过codrustes验证方案评估Laplacian eigenmodes的受试者间变异性程度。fi-Nelly，我们证明了通过图信号处理的基本解剖结构来塑造功能性MRI数据的程度。图形拉普拉斯特征模式表现出高度分辨的空间pro文件，反映了与主要白色途径相对应的分布模式。我们表明，这种高分辨率图的特征空间的固有维度仅仅是图尺寸的一部分。通过在低频图lapla-cian eigenmodes上投射任务和静止状态数据，我们表明大脑活动可以通过一小部分低频组合的子集很好地近似。所提出的图形开放了研究大脑的新途径，无论是通过图形或光谱图理论探索其组织特性，还是将它们视为在内部层面上观察到大脑功能的脚手架。