XiaoMi-AI文件搜索系统
World File Search SystemFMRI
共同自适应训练可以改善fMRI解码的神经反馈
对神经反馈培训研究和相关临床应用的一个重大挑战是参与者在训练过程中学习诱导特定大脑模式的困难。在这里，我们在基于fMRI的解码神经反馈（DECNEF）的背景下解决了这个问题。可以说，用于构建解码器的数据与用于神经反馈训练的数据之间的差异，例如数据分布和实验环境的差异，可能是上述参与者困难的原因。我们使用标准机器学习算法开发了一个共同适应程序。首先，我们使用以前的Decnef数据集通过模拟测试了该过程。该过程涉及一种自适应解码器算法，该算法根据其在神经反馈试验中的预测中实时更新。结果表明，在神经反馈训练期间，解码器性能有了显着改善，从而增强了学习曲线。然后，我们在Decnef培训程序中收集了实时fMRI数据，以提供概念证据证据，表明共同适应增强了参与者在训练过程中诱导目标状态的能力。因此，通过共同适应的个性化解码器可以提高Decnef培训方案的精度和可靠性，以针对特定的大脑表示，并在转化研究中产生后果。这些工具可公开提供给科学界。
使用正/负面情绪Atlas
饮食中与健康个体积极和负面情绪相关的激活区域，从而创造了积极的情绪地图集（豌豆）和负面情绪地图集（NEA）。，我们使用这些地图集检查了抑郁症患者的神经影像变化，并根据机器学习评估了他们的诊断性能。结果：我们的发现表明，基于PEA和NEA的抑郁症患者的分类准确性超过0.70，与整个脑图相比，这是一种提高。此外，ALFF分析在NEA期间在八个功能簇中揭示了抑郁症患者与健康对照组之间的特殊差异，重点是左轴心，扣带回和上顶叶。在很重要的情况下，豌豆在15个簇中揭示了更明显的差异，其中涉及右fu型回，帕拉希帕克胶回和下顶叶下叶。结论：这些发现使情绪调节和抑郁症之间的复杂相互作用揭示了抑郁症患者的PEA和NEA的显着变化。这项研究增强了我们对抑郁症中情绪调节的理解，对诊断和治疗评估产生了影响。
减轻fMRI至...
尽管现有的fMRI到图像重建方法可以预测高质量的图像，但它们并未明确考虑训练和测试数据之间的语义差距，从而导致具有不稳定和不确定语义的重建。本文通过明确减轻语义差距来解决广义fMRI到图像重建的问题。具体来说，我们利用预先训练的剪辑模型将训练数据映射到紧凑的特征表示形式，该图表将训练数据的稀疏语义扩展到密集数据，从而避免了附近已知概念的实例（即训练超级杆）的语义差距。受FMRI数据中强大的低级表示的启发，这可以帮助减轻远离已知概念（即在培训超级阶级之外）的情况的语义差距，我们利用结构信息作为一般提示来指导图像重建。此外，我们基于概率密度估计来提出语义不确定性，并通过在扩散过程中自适应地整合e xpanded s emantics和s弹性信息（GESS），从而实现了g耗电fMRI到图像的重建。实验结果表明，所提出的GESS模型优于最先进的方法，我们提出了一种广义的场景拆分策略，以评估GESS在缩小语义差距方面的优势。我们的代码可在https://github.com/duolala1/gess上找到。
镇静临床成像和麻醉方案中的静息状态 fMRI 优化
材料和方法：在这项横断面研究中，我们分析了 2009 年至 2023 年在麻省总医院麻醉下获得的临床 rs-fMRI 数据。对每位患者的独立成分分析驱动的静息状态网络 (RSN) 进行定性和定量评估，并将其分为强或弱两组。使用定性方法评估整体网络，使用定量方法评估运动和语言网络。在 4 个结果类别中分析了 RSN 稳健性：整体、组合运动语言、单个运动和语言网络。预测变量包括 rs-fMRI 采集参数、麻醉药物、潜在的大脑结构异常、年龄和性别。使用逻辑回归来检验研究变量对 RSN 稳健性的影响。
螺栓：fused窗口变压器用于fMRI时间序列分析
深度学习模型在分析高维功能MRI（fMRI）数据的分析方面已使性能飞跃。然而，许多以前的方法对各种时间尺度的上下文表示次优敏感。在这里，我们提出了螺栓，这是一种血氧级依赖性变压器模型，用于分析多变量fMRI时间序列。螺栓利用一系列具有新型融合窗户注意机制的变压器编码器。编码是在时间序列中的时间段窗口上执行的，以捕获本地表示。为了暂时整合信息，在每个窗口中的基本令牌和来自相邻窗口的边缘令牌之间计算跨窗口的注意力。逐渐从局部到全球表示，窗口重叠的程度以及在整个级联反应中的数量逐渐增加。最后，一种新型的跨窗口正规化用于整个时间序列的高级分类特征。大规模公共数据集的全面实验证明了螺栓对最新方法的出色性能。此外，解释性分析是为了确定有助于建模决策最大程度贡献的具有里程碑意义的时间点和区域，证实了文献中突出的神经科学发现。
利用 fMRI 和全皮层模式光遗传学对全脑有效连接进行映射
6 这些作者对这项工作做出了同等贡献。 *通信地址：seonggikim@skku.edu 和 choim@snu.ac.kr 摘要 带有光遗传学神经操控的功能性磁共振成像 (fMRI) 是一个强大的工具，可以实现全脑有效功能网络的映射。为了灵活操控整个小鼠皮质的神经兴奋，我们首次通过光纤束将数字微镜设备产生的时空可编程光遗传学刺激整合到 MR 扫描仪中。这种方法在规划光刺激模式时提供了空间和时间的灵活性，并结合了单个小鼠的原位光学成像和细胞类型或电路特定的基因靶向。通过对基于图谱的皮质区域进行光遗传学刺激的 fMRI 获得的全脑有效连接通常与解剖学定义的轴突追踪数据一致，但会受到选择性作用于特定连接的麻醉剂类型的影响。 fMRI 与灵活的光遗传学相结合，通过高通量的全脑有效连接映射，开辟了一条研究同一动物脑功能状态动态变化的新途径。引言功能架构的无创映射对于研究与行为和病理变化相关的脑回路中具有因果关系的重要变化至关重要。为此，基于血流动力学的功能性磁共振成像 (fMRI) 已被广泛用作神经活动的替代品，通过不同解剖区域之间 fMRI 时间序列的同步程度，无创地映射功能连接 (FC)1,2。人类在任务和静息条件下的 FC 相似，可以用作预测个体认知行为的指纹 3,4 。然而，为了更好地在回路层面上理解 FC，需要有效连接 (EC)，即一个大脑区域对另一个大脑区域的因果影响 5 。然而，fMRI 的时间分辨率有限（通常为 ~1 秒）和缓慢的血流动力学功能使得很难推断影响的方向。为了克服这一限制，可以利用明确区域中的神经元活动的调节来触发下游 fMRI 反应，从而让我们确定 EC 的方向和强度。
Daniel Laver使用立方持久性揭示时间变化的fMRI数据的拓扑
功能性磁共振成像（fMRI）是一种至关重要的技术，可以洞悉人类认知过程。从fMRI测量中积累的数据会导致体积数据集随时间变化。但是，分析此类数据的挑战是由于大脑中信息的表示方式的噪音和人与人之间的变化。为了应对这一挑战，我们提出了一种新颖的拓扑方法，该方法在fMRI数据集中编码每个时间点，作为拓扑特征的持久图，即数据中存在的高维空隙。 此表示自然不依赖于voxel-voxel对应关系，并且对噪声是可靠的。 我们表明，可以将这些随时间变化的持久图聚类以发现参与者之间有意义的分组，并且它们在研究执行特定任务的受试者的受试者内部脑状态轨迹也很有用。 Here, we apply both clustering and tra- jectory analysis techniques to a group of participants watching the movie ‘Partly Cloudy'. 我们观察到大脑状态轨迹以及观看同一电影的成人和儿童之间的整体拓扑活动的显着差异。数据中存在的高维空隙。此表示自然不依赖于voxel-voxel对应关系，并且对噪声是可靠的。我们表明，可以将这些随时间变化的持久图聚类以发现参与者之间有意义的分组，并且它们在研究执行特定任务的受试者的受试者内部脑状态轨迹也很有用。Here, we apply both clustering and tra- jectory analysis techniques to a group of participants watching the movie ‘Partly Cloudy'.我们观察到大脑状态轨迹以及观看同一电影的成人和儿童之间的整体拓扑活动的显着差异。
使用静息态 fMRI 绘制人类大脑中的多巴胺能投射
1 荷兰奈梅亨拉德堡德大学医学中心 Donders 大脑、认知和行为研究所；2 荷兰奈梅亨拉德堡德大学医学中心认知神经科学系；3 澳大利亚克莱顿莫纳什大学心理科学学院特纳大脑与心理健康研究所和莫纳什生物医学成像研究所；4 荷兰蒂尔堡大学蒂尔堡认知与交流中心交流与认知系；5 西班牙塞维利亚塞维利亚生物医学研究所 (IBiS)；6 荷兰奈梅亨拉德堡德大学医学中心神经病学系和帕金森与运动障碍专业中心；7 英国伦敦伦敦国王学院精神病学研究所神经影像科学中心；8 英国牛津大学 Wellcome 综合神经影像中心 (WIN FMRIB)