XiaoMi-AI文件搜索系统
World File Search SystemFMRI
可解释的多时间尺度模型，用于预测对连续自然语音的 fMRI 反应
自然语言包含多个时间尺度的信息。为了了解人类大脑如何表示这些信息，一种方法是使用从神经网络语言模型 (LM) 中提取的表示来构建预测 fMRI 对自然语言反应的编码模型。然而，这些 LM 衍生的表示没有明确区分不同时间尺度上的信息，这使得解释编码模型变得困难。在这项工作中，我们通过强制 LSTM LM 中的各个单元在特定时间尺度上整合信息来构建可解释的多时间尺度表示。这使我们能够明确而直接地映射每个单独的 fMRI 体素编码的信息的时间尺度。此外，标准 fMRI 编码程序不考虑编码特征中不同的时间属性。我们修改了该程序，使其能够捕获短时间和长时间尺度信息。这种方法优于其他编码模型，特别是对于表示长时间尺度信息的体素。它还提供了人类语言通路中时间尺度信息的更细粒度图。这为未来研究人工和生物语言系统的时间层次提供了一个框架。
使用静止状态fMRI
客观癫痫会影响神经加工，通常会导致颅内或半球间语言重组，仅基于解剖学地标（例如，Broca的区域）构成本地化。术前脑图对于权衡切除的风险和术后赤字的风险是必要的。然而，由于低依从性及其独特的神经生理学，在技术上，在儿科患者中使用常规图形方法（例如，体感刺激，基于任务的功能性MRI [FMRI]）在技术上很困难。静止状态fMRI（RS-FMRI）是一种基于大脑在休息时神经活动的“无任务”技术，具有克服这些局限性的潜力。作者假设可以通过应用功能连接分析从RS-FMRI识别语言网络。方法案例均已审查了基于任务的fMRI和RS-FMRI作为癫痫手术术前临床方案的一部分。基于任务的fMRI由2个语言任务和1个电机任务组成。静止状态fMRI数据是在患者观看动画电影时获取的，并使用独立的组合分析（即数据驱动的方法）进行了分析。作者通过通过模板匹配过程与功能定义的语言网络模板进行相似性分析来从RS-FMRI数据中提取语言网络。骰子系数用于量化重叠。结果13名儿童接受了常规的基于任务的fMRI（例如动词产生，对象命名），RS-FMRI和1.5T的结构成像。为每个患者确定了与语言模板重叠最高的语言组件。语言横向化结果来自基于任务的fMRI和RS-FMRI映射是可比性的，在大多数情况下，一致性很好。休息状态fMRI衍生的语言图表明，在4例患者中，左侧语言在左侧，右侧为5例（38％），四名患者（31％）（31％）。在某些情况下，RS-FMRI表示语言表示更广泛。使用TEM板匹配方法在患者级别确定了静止状态fMRI衍生的语言网络数据。这项研究中有一半以上的患者表现出非典型语言横向化，从而提出了映射的需求。总体而言，这些数据表明该技术可用于术前识别儿科患者的语言网络。它还可以优化电极放置的术前计划，从而指导外科医生对癫痫发作区的方法。
rowdi：使用fMRI
抽象目标。由于缺乏睡眠或疲劳，睡眠的简短发作可能会侵入清醒的人脑中，以促进关键日常任务的安全性（即驾驶）。这些侵入还可以在功能磁共振成像（fMRI）实验中引入人肌活动，从而促使需要一种客观有效的去除它们的方法。方法。我们开发了一种方法，通过滚动窗口检测fMRI信号模板的入侵（ROWDI）来跟踪类似睡眠的事件。这些事件然后可以在fMRI数据的与事件相关的分析中使用。为了测试这种方法，我们生成了通过同时通过fMRI和脑电图（EEG）（n = 10）的过渡到睡眠的fMRI活性模板。rowdi在一晚睡眠剥夺后，在fMRI期间执行认知任务的20个人中的睡眠状事件。在独立的FMRI数据集中进一步验证了此方法（n = 56）。主要结果。我们的方法（Rowdi）能够在睡眠剥夺后执行的认知任务中推断出频繁的睡眠状事件。类似睡眠的事件平均与瞳孔大小减少20％和延长的响应时间有关。睡眠状事件期间的血氧基水平依赖性活性覆盖了丘脑皮层区域，虽然在空间上不同，但与任务相关的活性共存。这些关键发现在独立数据集中得到了验证。意义。rowdi可以可靠地检测到人脑中自发的睡眠状事件。因此，它也可以用作描述和说明与静止状态和与任务相关的fMRI研究中与唤醒性转变相关的神经活动的工具。
基于fMRI 4D时空数据
使用神经影像数据将精神健康障碍与健康对照的患者区分开来，已采用了广泛的机器学习方法。但是，几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中，我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能，以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络，具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担，我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明，基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反，我们使用的其他两个复杂架构的性能相对较差。
阿尔茨海默氏病的个性化虚拟大脑链接fMRI的动态生物标志物
（1）神经科学学院umr umr Inserm 1106，Aix-MarseilleUniversité，法国Marseille，法国马赛，（2），（2）德克萨斯州达拉斯，德克萨斯州达拉斯大学的行为和脑科学学院（3）加拿大西蒙·弗雷泽大学的生物医学生理学和运动机能学。
高分辨率FMRI图像重建的转移和无监督的学习在超高磁场
然而，随着这些加速fMRI获取的最新进展[3，4]，收购中保存的时间和复杂性已转移到图像重建中。目前，即使在社区中已经开发了现代变异压缩感（CS）重建技术，并且在我们的PYSAP软件[5]中可供选择（请参阅其fMRI 1的插件），但完全重建典型的4D（3D+时间）序列所需的时间预算是100个高分辨率FMRI FMRI FOLUMES架构的典型预算。为了加快这项任务，存在几种竞争方法，要么平行于多个GPU上连续的fMRI体积的重建，要么依靠深度学习在测试时本质上分解MR图像重建的数值复杂性。该博士学位论文将探索第二大道。
口语大脑：言语，韵律和语法的fMRI实验概论
在这项研究中，我们将概述近年来我们所做的有关语言和语音生产的神经解剖学相关性的实验工作。首先，我们将介绍与事件相关的功能磁神经成像和我们使用的实验范式的方法。然后，我们将介绍并讨论有关（1）语音运动控制，（2）发音复杂性，（3）韵律的神经解剖学相关性的实验结果，以及（4）义大利处理的神经认知底物。实验（1）和（2）表明，由SMA，运动皮层和小脑组成的预期大型运动语音网络仅在计划和执行简单的关节运动方面活跃。提高的关节复杂性会导致更集中的激活。此外，我们可以证明，只有语音运动的执行才能招募左前岛，而发音计划则没有。实验结果（3）的结果表明，控制韵律处理的横向化不是韵律（语言与情感）的功能，而是处理单元的更一般特征，例如韵律框架的大小，造成了不同皮质区域的激活。最后，在实验（4）中，我们提出了语音生产中句法处理的第一个结果。除了预期的Broca区域激活外，我们还发现了Wernicke地区和小脑中的激活。我们还找到了其他皮质区域激活的证据，这些证据少于脑力相关性的临床研究。这些领域和网络的认知相关性仍有待阐明。Q 2001 Elsevier Science Ltd.保留所有权利。Q 2001 Elsevier Science Ltd.保留所有权利。
基于fMRI图像的自闭症谱系障碍诊断的深度学习方法
脑损伤是影响人类生活的重大疾病。这些损害中的一些可以通过药物治疗等方法完全消除。另一方面，尚无已知的永久性治疗方法，以造成由阿尔茨海默氏症，自闭症谱系障碍（ASD），多发性硬化症和帕金森氏症引起的疾病造成的损害。旨在减慢疾病进展的治疗通常应用于这些类型的疾病中。因此，在行为障碍发生之前的早期阶段诊断疾病至关重要。在这项研究中，提出了一项研究，以通过静止状态磁共振成像RS-FMRI检测ASD。但是，fMRI数据是高度复杂的数据。在研究的范围内，在871个从Abide I数据集获得的样本中区分了ASD和健康个体。长期短期存储网络（LSTM），卷积神经网络（CNN）和混合模型一起用于分类过程。获得的结果有望在fMRI上检测ASD。
在运动图像期间用fMRI神经反馈对补充运动区域激活的上调
11 RH, Medial Frontal Gyrus 2 -11 51 1683 12 LH, Medial Frontal Gyrus -10 -8 48 1520 13 LH, Medial Frontal Gyrus -7 -17 51 1539 14 LH, Medial Frontal Gyrus -4 -5 57 1344 15 LH, Cingulate Gyrus -10 -11 45 1408 16 LH, Medial Frontal Gyrus -7 -5 57 2086 17 LH，内侧正面回-4 -4 57 1792 18 RH，扣带回8 -2 48 2072 19 RH，内侧额回8 -8 54 54 1848 20 LH，内侧额回-4 -4 -4 -10 49 1268 183 183 183
库尔恰托夫研究所超级计算机上的 MRI/fMRI 数据自动处理和分析系统
摘要。本文介绍了库尔恰托夫研究所“Cognimed”资源中心获取的 MRI/fMRI 断层扫描数据的自动处理和分析系统的计算机模型。该系统基于“数字实验室”IT 平台，涉及库尔恰托夫研究所超级计算机集群 HPC4，通过在超级计算机节点（1 个受试者 - 1 个节点）上并行计算，可以加快群组（2-350 个受试者）的数据处理速度。所提出的系统允许科学家远程使用安装在超级计算机上的专用软件来处理和分析 MRI/fMRI 数据；组织统一的数据存储；允许通过 Web 界面处理数据。该系统还允许使用 KI 研究人员开发的程序模块，这些程序模块实施数学方法来改进数据分析结果。作为该计算机模型实现的一个例子，介绍了模块“MRI FS”，它使用开放的专用软件 FreeSurfer v.6.0 自动处理和分析 MRI 数据。