XiaoMi-AI文件搜索系统
World File Search SystemConnectome
人类皮层和皮层下区域的扩展人类连接组计划多模态分区图谱
摘要 HCPex 是基于表面的人类连接组计划-多模态分割人类皮质区域图谱 (HCP-MMP v1.0, Glasser 等人，2016) 的修改和扩展版本。原始图谱包含 360 个皮质区域，HCPex 对其进行了修改，以便于与体积神经成像软件（例如 SPM、FSL 和 MRIcroGL）一起使用。HCPex 也是原始图谱的扩展版本，其中添加了 66 个皮质下区域（每个半球 33 个），包括杏仁核、丘脑、壳核、尾状核、伏隔核、苍白球、乳头体、隔核和基底核。 HCPex 为 SPM 和 FSL 等体积软件的用户提供了 HCP-MMP v1.0 中皮质区域的出色划分，并添加了一些皮质下区域，提供了人类大脑的标记冠状视图。
获得更精简的深度神经网络，一次性解码大脑功能连接组
神经科学知识指出大脑功能活动的相关性中存在冗余。当使用深度神经网络 (DNN) 模型对神经影像数据集进行分类时，可以消除这些冗余以缓解过度拟合的问题。我们提出了一种算法，该算法以分层方式删除 DNN 中不重要的节点，然后一次性添加一组相关特征。在使用功能性 MRI 数据集对患者和健康对照进行实验时，我们能够获得更简单、更通用的 DNN。获得的 DNN 仅使用初始可训练参数的 2% 左右，却能保持与完整网络相似的性能。此外，我们使用训练后的网络从功能性连接组中识别多种脑部疾病的显著脑区和连接。发现所识别的生物标志物与之前已知的疾病生物标志物密切相关。所提出的方法具有跨模态应用，可获得更精简的 DNN，似乎能更好地拟合数据。相应的代码可在 https://github.com/SCSE-Biomedical-Computing-Group/LEAN_CLIP 获得。
通过功能约束结构图变分自动编码器实现结构和功能连接组的统一嵌入
摘要。图论分析已成为建模大脑功能和解剖连接的标准工具。随着连接组学的出现，主要感兴趣的图或网络是结构连接组（来自 DTI 纤维束成像）和功能连接组（来自静息态 fMRI）。然而，大多数已发表的连接组研究都集中在结构或功能连接组上，但当它们之间的互补信息在同一数据集中可用时，可以联合利用它们来提高我们对大脑的理解。为此，我们提出了一种功能约束的结构图变分自动编码器 (FCS-GVAE)，它能够以无监督的方式整合来自功能和结构连接组的信息。这导致了联合低维嵌入，从而建立了一个统一的空间坐标系，用于跨不同主体进行比较。我们使用公开的 OASIS-3 阿尔茨海默病 (AD) 数据集评估了我们的方法，并表明变分公式对于最佳地编码功能性大脑动态是必不可少的。此外，与不使用互补连接组信息的方法相比，所提出的联合嵌入方法可以更准确地区分不同的患者亚群。
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
发展的人类连接项目（DHCP）自动化新生婴儿的静止状态功能处理框架
fmrib，NU官员临床神经科学系，英国牛津大学，英国牛津大学B生物医学图像分析小组，计算系，伦敦帝国学院，英国伦敦，英国伦敦皇家大脑中心，发展大脑中心Zagreb，克罗地亚E小儿神经影像学小组，英国牛津大学儿科学系。 I伦敦帝国帝国学院生物工程系fmrib，NU官员临床神经科学系，英国牛津大学，英国牛津大学B生物医学图像分析小组，计算系，伦敦帝国学院，英国伦敦，英国伦敦皇家大脑中心，发展大脑中心Zagreb，克罗地亚E小儿神经影像学小组，英国牛津大学儿科学系。 I伦敦帝国帝国学院生物工程系fmrib，NU官员临床神经科学系，英国牛津大学，英国牛津大学B生物医学图像分析小组，计算系，伦敦帝国学院，英国伦敦，英国伦敦皇家大脑中心，发展大脑中心Zagreb，克罗地亚E小儿神经影像学小组，英国牛津大学儿科学系。 I伦敦帝国帝国学院生物工程系fmrib，NU官员临床神经科学系，英国牛津大学，英国牛津大学B生物医学图像分析小组，计算系，伦敦帝国学院，英国伦敦，英国伦敦皇家大脑中心，发展大脑中心Zagreb，克罗地亚E小儿神经影像学小组，英国牛津大学儿科学系。 I伦敦帝国帝国学院生物工程系
癌症纳米医学
尽管对认知功能和精神疾病的风险很重要，但对WM Connectome的发展知之甚少。现有的研究受到小样本量和横截面设计的限制，但表明按年龄在2岁的情况下，主要的网络中心的中间位置（BNC）在2至18岁之间的变化很小（10）（10）。使用6个方向扩散加权成像（DWI）的早期研究发现，节点BNC在生命的前两年中表现出很大的变化（11）。WM Connectome在出生后表现出小世界拓扑，随着出生至11岁之间的全球效率（GE）的提高（11，12），几个枢纽由出生时和年龄段的效率定义为几个枢纽（12）。对早产婴儿的研究表明，WM Connectome表现出较小的世界（SMW），并且早在30周的胎龄就具有丰富的俱乐部结构，并且在已经存在的成年人中发现了许多高级枢纽（13-15）。因此，现有的证据表明，成人白质连接素的许多方面，包括高中心性集线器的存在，在大脑发育中很早（16，17）。
由髓鞘含量和白质束轴突内总横截面积加权的人类大脑连接组
。CC-BY-NC-ND 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 3 月 2 日发布。；https://doi.org/10.1101/2023.03.01.530710 doi：bioRxiv 预印本
人类连接组项目寿命衰老和开发研究的动脉自旋标记灌注MRI分析
图4：管道生产的工作台场景，以评估注册和掩盖精度。分别通过细绿色和蓝色线条显示了自由表面的白色和曲面。ASL体积脑面膜轮廓显示在洋红色中。白色盒子表示ASL获取的视野，转变为ASL网格的T1W空间。青色线（在矢状视图中在小脑的底部看到）表示位于视野外的ASL脑面膜的一部分。Greyscale中的基本图像是完整335
生成网络建模揭示了整个昆虫大脑连接组表现出的双边对称性的定量定义
抽象比较连接组可以帮助解释神经连通性与遗传学，疾病，发展，学习和行为的关系。然而，对两个网络之间差异的重要性和性质进行统计推断是一个开放问题，并且这种分析尚未广泛应用于纳米级连接组。在这里，我们通过案例研究对幼虫果蝇脑连接组的双边对称性进行研究。我们将“双边对称性”的概念转化为左和右半球网络结构的生成模型，从而使我们能够测试和完善对对称性的理解。我们发现在整个左和右网络以及特定细胞类型之间的连接概率上存在显着差异。通过重新缩放连接概率或根据重量去除某些边缘，我们还提出了该连接表所表现出的双边对称性的调整定义。这项工作表明了网络的统计推断如何为连接组的研究提供信息，从而促进神经结构的未来比较。
通过结构连接分析和机器学习模型
摘要：重度抑郁症（MDD）和躁郁症（BD）具有临床特征，这使它们在临床环境中的分化变得复杂。本研究提出了一种创新的方法，该方法将结构连接分析与机器学习模型集成在一起，以辨别出BD个体的MDD个体。高分辨率MRI图像是从诊断为MDD或BD和HCS的个体中获得的。结构连接组，以使用高级图理论技术代表大脑区域的复杂相互作用。机器学习模型用于辨别与MDD和BD相关的独特连接模式。在全球范围内，与HC组相比，BD和MDD患者均表现出小世界的增加。在节点水平上，与HCS相比，BD和MDD患者在右杏仁核和右Parahippocampal Gyrus中的结节参数差异很大。主要的差异主要在BD的前额叶区域中发现，而MDD的特征是左Thalamus和默认模式网络中的异常。与MDD组相比，BD组证明了在额叶网络中的淋巴结参数的改变。此外，使用结构性大脑参数的机器学习模型的应用表明，在将BD与MDD的个体区分个体的个人分开时，具有令人印象深刻的90.3％精度。这些发现表明，结构连接组和机器学习可以提高诊断准确性，并可能为理解这些精神疾病的独特神经生物学特征提供宝贵的见解。