XiaoMi-AI文件搜索系统
World File Search SystemFreeSurfer
轻度创伤性脑损伤后的生活
摘要背景：创伤性脑损伤 (TBI) 可改变脑结构并导致持续性神经心理症状的出现。本研究使用多模式磁共振成像研究轻度 TBI 后脑损伤与心理困扰之间的关系。方法：纳入了来自 TRACK-TBI（创伤性脑损伤研究和临床知识转化）试点研究的 89 名轻度 TBI 患者。简明症状量表 18 的抑郁、焦虑和躯体化分量表被用作创伤事件发生后约 6 个月心理困扰的结果测量。使用格拉斯哥昏迷量表评分评估恢复情况。磁共振成像数据在受伤后 2 周内获取。使用增强型 PVS 分割方法分割血管周围间隙 (PVS)，并计算整个大脑和白质区域的体积分数。在 FreeSurfer 中计算皮质厚度和灰质结构体积；使用定量成像工具包提取扩散成像指数和多纤维束。分析时考虑年龄、性别、颅内容量、教育程度和出院时改善水平作为协变量。结果：后扣带回、梭状回和中央后区域的 PVS 分数与躯体化症状有关。抑郁、焦虑和躯体化症状与额岛叶和枕极的皮质厚度、壳核和杏仁核体积以及皮质脊髓束和丘脑上放射有关。还分别对两个半球进行分析以探索侧化。结论：本研究表明 PVS、皮质和微观结构变化如何预测轻度 TBI 患者抑郁、焦虑和躯体化症状的发生。
使用以超高梯度强度获取的扩散 MRI 数据来改善常规质量数据的纤维束成像
在人类连接组计划的带动下，具有超高梯度强度的扫描仪的开发显著提高了体内扩散 MRI 采集的空间、角度和扩散分辨率。可以利用改进的数据质量来更准确地推断微观结构和宏观结构解剖结构。然而，这种高质量的数据只能在全世界少数几台 Connectom MRI 扫描仪上采集，而且由于硬件和扫描时间的限制，在临床环境中仍然无法使用。在本研究中，我们首先更新了基于纤维束成像的手动注释主要白质通路的经典协议，以使其适应当今最先进的扩散 MRI 数据所能产生的更大体积和更大变化的流线。然后，我们使用这些协议手动注释来自 Connectom 扫描仪的数据中的 42 条主要通路。最后，我们表明，当我们使用这些手动注释的通路作为具有解剖邻域先验的全局概率纤维束成像的训练数据时，我们可以在质量低得多、更广泛可用的弥散 MRI 数据中对相同的通路进行高精度、自动重建。这项工作的成果包括来自 Connectom 数据的 WM 通路的全新综合图谱，以及我们的纤维束成像工具箱的更新版本，即受基础解剖学约束的 TRActs (TRACULA)，该工具箱使用该图谱中的数据进行训练。图谱和 TRACULA 均作为 FreeSurfer 的一部分公开分发。我们首次全面比较了 TRACULA 与更传统的多感兴趣区域自动纤维束成像方法，并首次演示了在高质量 Connectom 数据上训练 TRACULA 以造福使用更温和的采集协议的研究。
DNA聚合酶和生物技术应用
抽象背景区分了PSP-Parkinsonism（PSP-P）的渐进性上核脑瘫痪综合症（PSP-RS）可能极具挑战性。在这项研究中，我们旨在使用MRI结构数据来区分这两种PSP表型。招募了62个PSP-R，40名PSP-P患者和33名对照组受试者。所有患者均接受了脑3 T-MRI；在T1加权图像上使用FreeSurfer提取皮质厚度和皮质/皮质下体积。我们计算了自动化的MR Parkinsonism指数（MRPI）及其第二个版本，其中包括第三个心室宽度（MRPI 2.0），并测试了其分类性能。我们还采用了一种基于决策树的算法（极端梯度提升[XGBOOST]和随机森林）的机器学习方法（ML）分类方法，并使用结构MRI数据的不同组合在PSP表型之间进行区分。结果MRPI和MRPI 2.0在与PSP-P的分化中分别为0.88和0.81。 ML模型表明，MRPI和体积/厚度数据的组合比单独的每个功能都更强大。两种ML算法显示出可比的结果，并且最佳的ML模型在区分PSP表型中使用XGBoost与MRPI，皮质厚度和皮层下体积的组合（AUC 0.93±0.04）组合。在59名早期PSP患者的亚事件中，还获得了相似的性能（AUC 0.93±0.06）。结论MRPI和体积/厚度数据的综合使用比单独区分PSP-RS和PSP-P的每个MRI特征更准确。我们的研究支持使用结构MRI来改善常见PSP表型之间的早期差异诊断，这可能与预后意义和患者纳入临床试验有关。
基于深度学习的关节融合方法来利用自闭症谱系中的解剖学和功能性大脑信息
带有35个不同采集地点的ASD和703 TD。，我们分别从Freesurfer和CPAC分析包中从MRI扫描中提取了锻炼和功能性脑特征。然后，由于数据集的多站点性质，我们实现了数据协调协议。使用多输入DL模型进行了ASD与TD分类，该模型由神经网络组成，该神经网络生成了每种模态（FR-NN）数据的固定长度特征表示，以及用于分类的密集神经网络（C- DNN）。特别是，我们实施了一种联合融合方法来进行多个源数据集成。后者的主要优点是，损失是在培训期间回到FR-NN的，从而为每种数据模式创建了信息的特征表示。然后，在模型训练期间要优化的每个层和神经元的C-NN执行ASD-TD歧视。通过计算嵌套10倍交叉验证内的接收器操作特性曲线下的区域来评估性能。通过Shap解释性框架来识别驱动DL分类的大脑特征。结果：当仅分别考虑结构或功能特征时，在ASD与TD歧视中获得了0.66±0.05和0.76±0.04的AUC值。关节融合方法导致AUC为0.78±0.04。对两级歧视最重要的结构和功能连接特征集支持了大脑变化倾向于发生在默认模式网络和社会大脑的ASD的个体中的想法。结论：我们的结果表明，多模式关节融合方法的表现优于单个MRI模态获得的数据获得的分类结果，因为它有效利用了结构和功能性脑信息的互补性。
皮质铁积累作为临床认知障碍谱系神经退行性疾病的影像标记：定量磁化率映射
目的：最近有研究表明阿尔茨海默病 (AD) 会出现皮质铁沉积。在本研究中，我们旨在评估使用定量磁敏感度映射 (QSM) 测量的皮质灰质铁在临床认知障碍谱中的差异。材料和方法：这项回顾性研究评估了 73 名认知正常 (NC) 的参与者（平均年龄±标准差，66.7±7.6 岁；52 名女性和 21 名男性）、158 名轻度认知障碍 (MCI) 患者和 48 名 AD 痴呆患者。参与者在 3-T 扫描仪上使用三维多动态多回波序列进行脑磁共振成像。我们采用了深度神经网络 (QSMnet+) 并使用基于 FreeSurfer v6.0 的自动分割软件来提取皮质中的解剖标签和感兴趣的体积。我们使用协方差分析来研究每个大脑区域临床诊断组之间的磁敏感度差异。采用多元线性回归分析研究敏感性值与简易精神状态检查表（MMSE）等认知评分之间的相关性。结果：三组中，MCI 合并 AD 患者的额叶（P < 0.001）、颞叶（P = 0.004）、顶叶（P = 0.001）、枕叶（P < 0.001）和扣带皮层（P < 0.001）的平均敏感性高于 NC 患者。在 MCI 合并 AD 组中，在校正年龄、性别、受教育程度、区域体积和 APOE4 携带者状态后，扣带皮层（β = -216.21，P = 0.019）和岛叶皮层（β = -276.65，P = 0.001）的平均敏感性是 MMSE 评分的独立预测因子。结论：通过 QSMnet+ 测量，AD 和 MCI 患者的皮质铁沉积高于 NC 参与者。扣带回和岛叶皮质中的铁沉积可能是认知障碍相关神经变性的早期影像学标志。关键词：铁；定量评估；认知障碍；磁共振成像
食物接近饮食行为和大脑形态
以食物为导向的饮食行为会增加患超重/肥胖和暴食症的风险，而肥胖和暴食症也与成人大脑形态改变有关。为了了解这些关联，我们研究了儿童时期以食物为导向的饮食行为与青少年大脑形态之间的关联。样本包括 1,781 名青少年，他们在 4 岁和 10 岁时接受了饮食行为评估，并在 13 岁时获得了大脑成像数据，这些数据来自一个大型的基于人群的队列。使用儿童饮食行为问卷评估以食物为导向的饮食行为（享受食物、情绪化暴饮暴食和食物反应）。此外，我们使用 13 岁时发育与健康评估中的两项内容评估了暴饮暴食症状。青少年参与了 MRI 检查，并使用 FreeSurfer 处理 T1 加权图像，提取了大脑形态测量数据，包括大脑白质、大脑灰质和皮层下灰质体积。4 岁和 10 岁时对食物的享受和食物反应与 13 岁时的大脑白质和皮层下灰质体积呈正相关（例如，4 岁时对食物的享受和大脑白质：β = 2.73，95% CI 0.51，4.91）。4 岁时对食物的享受和食物反应与 13 岁时的大脑灰质体积较大有关，但 10 岁时则无此关系（例如，4 岁时对食物的享受：β = 0.24，95% CI 0.03，0.45）。在这两个年龄和 13 岁时的大脑测量中，没有发现情绪化暴饮暴食具有统计学显著相关性。事后分析表明，食物接近饮食行为与杏仁核或海马体无关。最后，我们没有观察到暴饮暴食症状与整体大脑测量值和先验定义的感兴趣区域（包括右额岛叶、岛叶和眶额皮质）之间存在显著关联。我们的发现
父母身份以及大脑和细胞年龄的标记
最近的研究表明，怀孕和父母身份的转变对人类大脑结构特征有显著影响。在这里，我们介绍了一项全面的研究，研究了父母身份和出生/父亲的孩子数量与 36,323 名英国生物库参与者（年龄范围为 44.57 – 82.06 岁；52% 为女性）的大脑和细胞衰老标志之间的关联。为了评估父母身份对大脑的整体影响，我们在 T1 加权磁共振图像上训练了一个 3D 卷积神经网络，并在保留的测试集中估计了大脑年龄。为了研究区域特异性，我们使用 FreeSurfer 提取了皮质和皮质下体积，并运行了层次聚类以根据协方差对区域体积进行分组。来自 DNA 的白细胞端粒长度 (LTL) 被用作细胞衰老的标志。我们采用线性回归模型来评估孩子数量、大脑年龄、区域大脑体积和 LTL 之间的关系，并包括交互项以探究关联中的性别差异。最后，我们将大脑测量值和 LTL 作为二元分类模型中的特征，以确定大脑和细胞老化的标志是否可以预测父母身份。结果显示，无论男女，出生/父亲的孩子数量越多与大脑年龄越小之间存在关联，女性的影响更大。基于体积的分析显示，纹状体和边缘区域存在母体效应，而父亲则没有。我们没有发现孩子数量与 LTL 之间存在关联的证据。父母身份分类显示大脑年龄模型的 ROC 曲线下面积 (AUC) 为 0.57，而使用区域大脑体积和 LTL 作为预测因子的模型显示 AUC 为 0.52。我们的研究结果与之前针对中老年父母的基于人群的研究一致，揭示了父母经验与基于神经影像的大脑健康替代指标之间存在微妙但重要的关联。该研究结果进一步证实了对父母在怀孕和产后进行的纵向队列研究的结果，可能表明父母身份的转变与大脑健康的长期影响有关。
CaCTüS 实习项目 2025
CaCTüS 实习项目 2025 这些项目按其主要关注点按主题排序： • 数据分析 • 人体实验 • 机器学习 • 神经科学 但是，大多数项目涉及多种方法和研究领域，因此建议您通读所有项目及其具体要求。 数据分析项目：优化超高分辨率 fMRI 以对人类前额叶皮质进行分层分析 项目 ID：DA-01 实验室：认知神经科学与神经技术 领域：数据分析、神经科学、人体实验 认知神经科学与神经技术实验室专注于加深我们对支撑人类高级认知和适应行为的前顶叶大脑网络机制的理解。为此，我们开展了一项跨学科研究计划，可以从多个粒度级别研究这个大脑系统。我们的方法涉及特定受试者的脑机接口技术、3T 和超高（即 7T 和 9.4T）磁场强度的 fMRI（用于解析皮质层）、EEG、非侵入性脑刺激以及计算建模和机器学习。作为实习生，您将参与超高分辨率 fMRI 的前沿研究，该研究允许在皮质层和柱的水平上研究人类皮质。您将探索不同 MR 采集序列在定位人类前额皮质中的层特定活动方面的优势和局限性。使用在 7T 下获取的现有数据集，您的工作将侧重于优化数据分析技术，重点是改善皮质表面配准或解决皮质层之间的信号偏差。通过这个项目，您将获得高级数据分析的实践经验，并深入了解这些技术如何提高 fMRI 研究的准确性。此外，您将被邀请参与正在进行的研究，包括有机会参加扫描会议并获得 9.4T MRI 数据采集的直接经验。这将提供对 fMRI 研究的实验和分析方面的全面了解。 必备技术技能 • 具有 Linux 和 Python 上的 Bash 的良好编码技能 • 具有 (f)MRI 数据和相应软件包的经验是可取的，但不是必需的（例如 Freesurfer、FSL、SPM） • 具有高性能计算集群和代码共享平台（例如 GitHub）的经验是可取的，但不是必需的
根据 7 年前获得的神经解剖学测量结果识别个体
在之前的研究中，我们小组表明，可以根据从常规结构磁共振成像 (MRI) 扫描中获得的神经解剖特征以及随后使用流行的 FreeSurfer 工具进行的分析来识别个体受试者 (Valizadeh 等人，2018)。即使仅使用少数神经解剖特征（包括总脑容量、小脑灰质和白质、基底神经节体积和脑干体积在内的 11 个脑部测量值），识别率也非常好。当使用大量大脑区域时，受试者识别率几乎完美。使用易于获得的神经解剖学测量值的受试者识别精度与其他人使用更复杂的神经解剖学测量值报告的识别结果相似 (Wachinger 等人，2015 年、2017 年)。这些结果被视为人类大脑在很大程度上具有高度个体化的证据。近年来，基于神经科学方法和数据寻找个体标记变得非常流行。该领域的最新研究表明，可以根据来自结构 MRI（Wachinger et al., 2015 , 2017 ; Valizadeh et al., 2018）、功能 MRI（Miranda-Dominguez et al., 2014 ; Finn et al., 2015 ; Amico & Goñi, 2018 ; Bari et al., 2019）、脑电图 (EEG)（La Rocca et al., 2014 ; Fraschini et al., 2015 ; Kong et al., 2019 ; Valizadeh et al., 2019）或功能性近红外光谱 (fNIRS)（de Souza Rodrigues et al., 2019）的神经指纹来区分和识别个体。目前，也有人提出，这种神经指纹可能与个体智力和流体认知能力的差异有关，例如工作记忆和注意力（Greene 等人，2018 年；Rosenberg 等人，2020 年；Yamashita 等人，2018 年；Yoo 等人，2018 年）。个体指纹也有可能积累起来形成区分临床人群的群体指纹。这种脑指纹研究与大量公开的数据集同时出现。然而，大数据神经科学方法往往忽视了人类的个性、奇点和变异性。因此，要了解这种个体变异，有必要描述人类大脑的个体特征。在我们之前的研究中，我们使用了 193 名老年人的数据集，这些老年人在 3 年内每年都会获得 MRI 数据（Valizadeh 等人，2018 年）。每位受试者获得的三次扫描中，有两次是随机的
前美国足球运动员的大脑形态测量
在接触性运动中遭受反复头部撞击与神经退行性疾病有关，包括慢性创伤性脑病 (CTE)，目前只能在死后诊断。由于遭受反复头部撞击，美式足球运动员患 CTE 的风险更高。一种有前途的体内诊断 CTE 的方法是使用结构 MRI 探索活体个体死后已知的神经病理学异常。对 170 名年龄 45-74 岁的男性前美式足球运动员（n = 114 名职业运动员；n = 56 名大学生）和 54 名同龄未遭受撞击的无症状男性对照者（n = 54，年龄范围 45-74 岁）进行了 MRI 脑形态测量。根据已确定的 CTE 病理学发现选择感兴趣区域的皮质厚度和体积，并使用 FreeSurfer 进行评估。使用广义最小二乘模型评估组间差异以及与年龄和暴露因素的相互作用。我们进行了单独的逻辑回归和独立的多项模型，以使用感兴趣的大脑区域来预测每种创伤性脑病综合征 (TES) 的诊断、核心临床特征和 CTE 病理的临时确定性水平。与未暴露的无症状对照者相比，前大学和职业美式足球运动员（合并）的海马体、杏仁核、内嗅皮质、海马旁回、岛叶、颞极和额上回的皮质厚度和/或体积显著减少。事后分析发现，在海马体、杏仁核、内嗅皮质、海马旁回、岛叶和额上回方面，前职业球员和未暴露的无症状对照者之间存在组水平差异。与未暴露的无症状对照者相比，前大学球员的海马体、杏仁核和额上回的体积显著减少。我们没有观察到脑形态测量指标的年龄×组别相互作用。形态测量指标和暴露指标之间的相互作用仅限于首次接触有组织的橄榄球运动的年龄和右岛叶体积之间的单一显著正相关。我们发现脑形态测量指标和 TES 诊断核心临床特征以及 CTE 病理结果的临时确定性水平之间没有显著关系。这些发现表明，MRI 形态测量指标可以检测到有反复头部撞击史的个体的异常，这些异常类似于尸检 CTE 研究中病理发现的解剖分布。缺乏将 MRI 测量指标与暴露指标（除了一个显著关系之外）或 TES 诊断和核心临床特征相关联的发现表明，脑形态测量指标必须辅以其他类型的指标才能描述反复头部撞击的个体。