XiaoMi-AI文件搜索系统
World File Search SystemMRI
MRI放射素学用于直肠癌的淋巴血管浸润预测
放射线学利用计算算法从MRI扫描中提取定量成像特征，从而更深入地评估肿瘤异质性。在这项研究中，使用T2加权成像（T2WI）和扩散加权成像（DWI）分析了肿瘤内和周围区域的特征。该研究评估了不同的周围距离，发现与其他构型相比，T2WI中的3mm周围区域表现出优异的预测精度。这些放射素特征与临床参数（例如性别和MRN阶段）的整合导致了优化的预测模型。研究发现，结合周围放射线特征的模型优于仅依靠肿瘤内特征的模型。此方法在区分LVI的存在方面超过了常规成像，提供了一种非侵入性且高度准确的诊断工具。
提高MRI图像的清晰度和降噪...
Mandeep Kaur 1，Rahul Thour博士2 1研究学者部计算机科学与应用，Desh Bhagat University，Mandi Gobindgarh 2助理教授计算机科学和应用，德什·巴加特大学，曼迪·戈宾德加（Mandi Gobindgarh）摘要：脑部疾病是严重的疾病，不得不忽略，因为大脑失败会对整体健康构成重大威胁。早期检测和干预对于管理各种与大脑相关的疾病至关重要。检测脑肿瘤和其他神经系统问题的主要诊断方法之一是MRI成像。MRI是一种首选技术，由于其效率，实时成像功能和缺乏辐射。然而，诸如Speckle噪声，高斯噪声和其他工件之类的挑战继续损害MRI图像的质量。因此，提高图像质量对于准确的脑部疾病诊断至关重要。为了克服这些挑战，采用了各种成像技术来进行预处理，降低降噪和图像增强。从嘈杂的MRI数据中获得高质量图像的关键方法是图像恢复和增强。鉴于MRI的高频特性，脑部扫描中通常存在噪声。预处理通过应用过滤器消除噪声来改善图像质量中起着至关重要的作用。诸如Mean，Mentian，Wiener和其他过滤器之类的技术通常用于解决诸如Speckle，Salt和Pepper和Gaussian噪声之类的问题。关键字：大脑MRI成像，斑点噪声，高斯噪声，预处理，图像增强。这项研究提供了各种MRI图像预处理和增强技术的全面概述，概述了它们的目标和有效性。
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。
使用大脑MRI和临床数据的多模式方法
摘要 - 预测衰老个体临床下降的轨迹是一个紧迫的挑战，尤其是对于患有轻度认知障碍，阿尔茨海默氏病，帕金森氏病或血管性痴呆症患者而言。准确的预测可以指导治疗决策，确定风险因素并优化临床试验。在这项研究中，我们比较了在临床痴呆率评级量表“盒子总和”评分（SOBCDR）中，在2年间隔内进行了两种深度学习方法。这是痴呆症研究中的关键指标，评分范围从0（无损害）到18（严重损害）。为了预测下降，我们训练了一个混合卷积神经网络，该网络将3D T1加权的脑MRI扫描与表格临床和人口统计学特征（包括年龄，性别，体重指数（BMI）和基线SOBCDR）相结合。我们针对Autogluon进行了基准测试，Autogluon是一个自动化的多模式学习框架，选择了适当的神经网络体系结构。我们的结果证明了将图像和表格数据组合在临床应用预测建模中的重要性。深度学习算法可以融合基于图像的大脑特征和表格临床数据，并具有衰老和痴呆症的个性化预后。
定量MRI表征核核
腰痛是全球残疾的主要原因（Vos等，2016），代表了西方国家的巨大经济负担（Maetzel和Li，2002; Walker等，2003; Dagenais et al。，2008）。背痛经常与椎间盘变性有关，被定义为“对进行性结构衰竭的异常，介导的反应”（Adams和Roughley，2006年）。几种途径可以导致椎间盘变性（Adams和Dolan，2012年）。其中一个是从一个离心（从中心到周围）和环形的径向填充的，从而改变了圆盘应力分布（McNally等，1996），并在后环和核核核之间产生应力梯度（Stefanakis等人，2014年）。这些机械变化可以改变导致TIMP/MMP表达失调的细胞活性（属蛋白酶的组织抑制剂TIMP和基质金属蛋白酶的MMP）（Le Maitre等，2004，2007）。这反过来导致正常衰老核脱水的加速度（Antoniou等，1996）。这种修饰可以刺激自然存在于环形外三分之一（García-Cosamalón等，2010）中的伤害感受器，或者与fife旁边增殖的伤害感受器（Coppes等，1990，1997; Lama et al。，2018）。所有这些现象都定义了盘源背嘴的一种结构底物。旨在扭转椎间盘的病理状况，可获得多种治疗选择，从保守管理到介入疗法。支持物理疗法和手动疗法的强大概念基于方向偏好的存在（McKenzie，1981; McKenzie and May，2003; Laslett et al。，2005），这意味着动态盘理论。从临床角度来看，方向偏好是缓解患者疼痛的运动方向，而其他方向没有影响或恶化的疼痛。当在背痛患者上观察到这种类型的临床症状是特定的（94％）到椎间盘疼痛（Laslett等，2005），并且似乎是有效的治疗指南（May and Aina，2012; May等，2018，2018）。除了椎间盘手术（仅限于难治性患者）外，介入的疗法还包括使用葡萄糖蛋白的切甲核酸溶解（Javid等，1983） - 历史上，这是第一次注射药物 -
深度学习的扩散MRI拖拉术
图1。（a）我们提出的拖拉术算法的概述：给定种子点或部分已知的流线，我们的方法提取了相应的局部和邻域DMRI信号，以形成输入数据序列（x 1，…，x t）。然后将此序列馈送到我们的网络中，以预测传播的方向。随后，流线根据给定的步长和传播方向生长。更新的流线（不完整）将是我们方法的新输入，
使用经过扩散MRI训练的卷积神经网络的脑年龄分析和痴呆分类：印度和北美队列的测试
摘要 - 基于卷积神经网络（CNN）的深度学习模型已用于对阿尔茨海默氏病进行分类或从T1加权大脑MRI扫描中推断痴呆症的严重程度。在这里，我们研究了添加扩散加权MRI（DMRI）作为这些模型的输入的值。在这一领域进行了许多研究，重点介绍了特定数据集，例如阿尔茨海默氏病神经影像学计划（ADNI），该计划评估了北美人（主要是欧洲血统）的人，因此我们研究了对ADNI培训的模型，该模型如何推广到来自印度（Nimhans Cohort）的新人口数据集。我们首先通过预测“大脑时代”来基准我们的模型 - 从其MRI扫描中预测一个人的年龄并继续进行广告分类的任务。我们还评估了在训练CNN模型之前使用3D CycleGAN方法来协调成像数据集的好处。我们的实验表明，在大多数情况下，在协调后的分类性能会提高，并且DMRI作为输入的性能更好。
存档欧弗特·Unige的认知如何体现？ fMRI ...
功能性神经影像学表明，在各种运动和认知任务中，背侧额叶区域表现出联合活动。但是，尚不清楚这些区域是否服务于多种计算独立的功能，或者是重复使用以服务高阶功能的电动机“核心过程”的基础。我们假设心理旋转能力取决于植根于这些区域内的系统发育较旧的运动过程。这一假设需要在运动计划期间招募的神经和认知资源预测看似无关的心理旋转任务的表现。为了检验这一假设，我们首先通过测量了30名健康参与者的内部触发的与外部触发的手指按压，从而确定了与运动计划相关的大脑区域。内部触发的手指压机在顶，前和枕颞区域产生了显着的激活。然后，我们要求参与者在扫描仪外执行两项心理旋转任务，包括手或字母作为刺激。顶点和前运动激活是涉及手的心理旋转时个体反应时间的重要预测指标。我们发现运动计划与字母心理旋转的性能之间没有关联。我们的结果表明，在运动计划期间招募的顶叶和前皮层的神经资源也有助于身体刺激的心理旋转，这表明这两个能力的基础是共同的核心成分。
特别会议公告：人工智能和边缘计算的回忆神经形态设备和电路的进展
会话描述：随着半导体技术接近缩小范围的局限性，对传统冯·诺伊曼建筑的替代方案的需求也会增长。神经形态计算，受人脑的结构和功能的启发，是一种有希望的解决方案，尤其是用于开发智能系统，例如视觉处理器，听觉系统和机器人运动。设备技术，电路设计和计算建模的最新突破使联合研究人员来自不同的领域，包括电子，计算机科学，神经科学，材料科学和设备制造。这些相互交流的旨在为人工智能（AI）应用（AI）应用和神经形态硬件创建更有效的电子系统，而与传统CMOS相比，它更准确地复制了生物神经网络。将备忘录集成到设计工具包中有望将进步推向摩尔定律，从而开发可以感知的智能，多功能系统，