XiaoMi-AI文件搜索系统
World File Search SystemNeuroImaging
BrainForge：用于综合神经影像采集、分析和共享的在线数据分析平台
1. Morita T、Asada M、Naito E。神经影像学研究对理解人类认知大脑功能发展的贡献。Front Hum Neurosci。2016；10：464。doi：10.3389/fnhum.2016.00464 2. Bandettini PA。神经影像学方法有什么新进展？Ann NY Acad Sci。2009；1156：260-293。doi：10.1111/j.1749-6632.2009.04420.x 3. Verner E、Baker BT、Bockholt J 等人。使用 BrainForge 加速神经影像学研究。Gateways 2020，会议改善生物医学研究的数据使用； 2020 年 10 月 21 日。4. Poldrack RA、Baker CI、Durnez J 等人。扫描地平线：迈向透明和可重复的神经影像学研究。Nat Rev Neurosci。2017；18(2):115-126。doi: 10.1038/nrn.2016.167 5. Gorgolewski K、Poldrack R。提高神经影像学研究透明度和可重复性的实用指南。PLOS Biol。2016；14:e1002506。doi: 10.1371/journal.pbio.1002506 6. Baker M。1,500 名科学家揭开可重复性的面纱。Nature。2016；533(7604):452-454。 doi: 10.1038/533452a 7. Scott A、Courtney W、Wood D 等人。COINS：为大型异构数据集构建的创新信息学和神经成像工具套件。Front Neuroinform。2011；5：33。doi: 10.3389/fninf.2011.00033 8. Yoo AB、Jette MA、Grondona M。SLURM：用于资源管理的简单 Linux 实用程序。引自：Feitelson D、Rudolph L、Schwiegelshohn U 编。并行处理的作业调度策略。JSSPP 2003。计算机科学讲义。Springer；2003：44-60。9. Avesani P、McPherson B、Hayashi S 等人。开放扩散数据衍生物、通过衍生物的集成发布和可复制的开放云服务进行脑数据升级。 Sci Data 。2019；6(1)：69。doi：10.1038/s41597-019-0073-y 10. Flywheel。为医疗和研究领域的数字化转型提供动力。2021 年 5 月 14 日访问。flywheel.io 11. Kurtzer GM、Sochat V、Bauer MW。Singularity：用于移动计算的科学容器。PLoS One。2017；12(5)：e0177459。doi：10.1371/journal.pone。0177459 12. Merkel D。Docker：用于一致开发和部署的轻量级 Linux 容器。Linux J 。2014；239：2。13. Ashburner J、Barnes G、Chen CC 等人。SPM12 手册。第 2464 卷。威康信托神经影像中心；2014 年。14. Smith SM、Jenkinson M、Woolrich MW 等人。功能性和结构性 MR 图像分析进展以及作为 FSL 的实现。神经影像。2004 年；23 (Suppl 1)：S208-S219。doi: 10.1016/j.neuroimage.2004.07.051 15. Cox RW。AFNI：用于分析和可视化功能性磁共振神经影像的软件。Comput Biomed Res。1996 年；29(3)：162-173。doi: 10. 1006/cbmr.1996.0014 16. Cox RW、Hyde JS。用于分析和可视化 fMRI 数据的软件工具。NMR Biomed。 1997；10(4–5)：171-178。doi：10.1002/(SICI)1099- 1492(199706/08)10:4/5<171::AID-NBM453>3.0.CO；2-L 17. fMRI 工具箱的 Group ICA (v4.0c)。神经影像和数据科学转化研究中心。2021 年 5 月 6 日访问。https://trendscenter. org/software/gift/ 18. TReNDS 中心。Docker, Inc.访问日期：2022 年 1 月 13 日。https://hub.docker.com/orgs/trendscenter/repositories 19. 神经影像和数据科学转化研究中心。GitHub, Inc. https://github.com/trendscenter/ 20. Gorgolewski K、Burns CD、Madison C 等人。Nipype：一个灵活、轻量且可扩展的 Python 神经影像数据处理框架。Front Neuroinform。2011；5：13。doi：10.3389/fninf.2011.00013 21. GorgolewskiKJ、AuerT、CalhounVD 等人。Thebrainimagingdatastructure，一种组织和描述神经影像实验输出的格式。Sci Data。2016；3(1)：160044。 doi: 10.1038/sdata.2016.44 22. FosterI.Globusonline：通过云服务加速和民主化科学。IEEEInternetComput。2011；15(3)：70-73。doi: 10.1109/MIC。2011.64 23. Allen B、Bresnahan J、Childers L 等人。面向数据科学家的软件即服务。Commun ACM。2012；55(2)：81-88。doi: 10.1145/2076450.2076468 24. Calhoun VD、Adali T、Pearlson GD、Pekar JJ。一种使用独立成分分析从功能性 MRI 数据进行组推断的方法。Hum Brain Mapp。2001；14(3)：140-151。 doi: 10.1002/hbm.1048 25. Allen E、Erhardt E、Damaraju E 等。静息状态网络多变量比较的基线。Front Syst Neurosci。2011；5：2。doi: 10.3389/ fnsys.2011.00002 26. Allen EA、Damaraju E、Plis SM、Erhardt EB、Eichele T、Calhoun VD。跟踪静息状态下的全脑连接动态。大脑皮层。2014；24(3)：663-676。doi: 10.1093/cercor/bhs352 27. Ashburner J、Friston KJ。基于体素的形态测量——方法。神经影像学。2000；11(6)：805-821。 doi: 10.1006/nimg.2000.0582 28. Fischl B. FreeSurfer。神经影像学。2012；62(2):774-781。doi: 10.1016/j.neuroimage.2012.01.021 29. Andersson JLR、Sotiropoulos SN。一种用于校正扩散 MR 成像中的偏共振效应和受试者运动的综合方法。神经影像学。2016；125:1063-1078。doi: 10.1016/j.neuroimage.2015.10.019 30. Andersson JL、Skare S、Ashburner J。如何校正自旋回波平面图像中的磁化率畸变：应用于扩散张量成像。神经影像学。 2003；20(2):870-888。doi: 10.1016/s1053-8119(03)00336-7 31. Andersson JLR、Graham MS、Drobnjak I、Zhang H、Filippini N、Bastiani M。面向扩散 MR 图像运动和失真校正的综合框架：体积运动内。神经影像学。2017；152:450-466。doi: 10.1016/j.neuroimage.2017.02.085 32. CalhounVinceD、MillerR、PearlsonG、Adal 𝚤 T。Thechronnectome：时变连接网络作为fMRIdatadiscovery 的下一个前沿。神经元。2014；84(2):262-274。 doi: 10.1016/j.neuron.2014.10.015 33. Du Y、Fu Z、Sui J 等人。NeuroMark：一种基于自动化和自适应 ICA 的管道，用于识别可重复的 fMRI 脑部疾病标记物。神经影像：临床。2020；28：102375。doi: 10.1016/j.nicl.2020.102375 34. Griffanti L、Zamboni G、Khan A 等人。BIANCA（脑强度异常分类算法）：一种用于自动分割白质高信号的新型工具。神经影像学。2016；141：191-205。doi：10.1016/j.neuroimage.2016.07.018
INCloud：用于数据收集、管理、分析和临床翻译的集成神经影像云
摘要 背景 神经影像技术提供了丰富而准确的脑结构和功能测量方法，已成为心理健康和神经科学研究中最流行的方法之一。快速发展的神经影像学研究产生了大量的数据，为数据收集、大规模数据管理、高效的计算要求以及数据挖掘和分析带来了新的挑战。 目的 为应对挑战并推动神经影像技术在临床实践中的应用，我们开发了一体化神经影像云（INCloud）。INCloud 为大规模神经影像数据收集、管理、分析和临床应用的整个过程提供了全栈解决方案。 方法 INCloud 由数据采集系统、数据仓库、自动多模态图像质量检查和处理系统、脑特征库、高性能计算集群和精神障碍计算机辅助诊断系统（CADS）组成。INCloud 的独特设计是脑特征库，它将数据管理的单位从图像转换为海马体积等图像特征。通过将 CADS 连接到科学数据库，INCloud 可以积累科学数据，不断提高精神障碍客观诊断的准确性。结果 用户可以在INCloud上管理和分析神经影像数据，无需将数据下载到本地设备。INCloud用户可以根据自定义标准查询、管理、分析和共享图像特征。文中展示了基于脑特征库的“大分析”示例。结论与传统的神经影像采集和分析工作流程相比，INCloud具有数据管理和共享安全便捷、对研究人员的技术要求低、计算和数据挖掘效率高、可直接应用于临床等特点。该系统的设计和实现也适用于其他领域的影像研究平台。
Krabbe病的临床前研究
阿尔茨海默氏病生物标志物对于了解疾病的病理生理学，有助于准确的诊断和识别靶向治疗至关重要。尽管生物标志物的数量继续增长，但每个人的相对效用和独特性被遗憾的理解很少，因为先前的工作通常一次仅在少数标记上计算出串行成对关系。本研究评估了27例阿尔茨海默氏病生物标志物之间的横断面关系，并确定了他们使用机器学习预测有意义的临床结果的能力。从527个社区居民志愿者那里获得了数据，该志愿者在圣路易斯华盛顿大学的Charles F.和Joanne Knight Alzheimer病研究中心招收。我们使用层次聚类进行了淀粉样蛋白β，tau [磷酸化的tau（p-tau），tau t-t-tau）的27组，CSF和血浆测量值，神经元损伤和从MRI，MRI，PET，PET，质量表光学测定法和炎症中得出的炎症。还包括神经心理学和遗传措施。基于森林的随机特征选择确定了整个队列中淀粉样蛋白宠物阳性的最强预测指标。模型还预测了整个队列和淀粉样蛋白宠物个体的认知障碍。出现了四个反映：阿尔茨海默氏病病理学（淀粉样蛋白和TAU），神经变性，AT8 AT8抗体相关的磷酸化TAU位点和神经元功能障碍。神经元功能障碍和炎症的非特异性CSF度量是淀粉样蛋白PET和认知状况的较差的预测指标。在整个队列中，CSF P-TAU181/Aβ40Lumi和Aβ42/Aβ40Lumi和CSF PT217/T217，PT111/T111，PT231/T231的CSF PT217/T217，PT111/T217的质谱测量值是强大的预测者。鉴于他们有能力在阿尔茨海默氏病的病理轨迹上表示个体，因此这些相同的标记（CSF PT217/T217，PT111/T111，P-TAU/Aβ40Lumi和T-Tau/Aβ40Lumi）在很大程度上是整个Coghort中较差的认知者的最佳预测指标。将分析限制为淀粉样蛋白阳性个体时，认知受损的最强预测指标是Tau PET，CSF T-TAU/Aβ40Lumi，P-TAU181/Aβ40Lumi，CSF PT217/217/217/217和PT205/T205。当前的工作利用机器学习来了解大量生物标志物的相互关系结构和实用性。结果表明，尽管生物标志物的数量已迅速扩大，但许多人是相互关联的，很少有强烈预测临床结果。同时研究可用生物标志物的整个语料库提供了一个有意义的框架，以了解阿尔茨海默氏病病理生物学变化，以及对哪些生物标志物在阿尔茨海默氏病临床实践和试验中最有用的见解。
JB HI 特别专题“脑信号和神经成像的模糊系统和计算方法：
鉴于处理从神经成像模式获得的脑信号所面临的重大挑战，模糊集和系统已被提出作为分析脑活动的有用且有效的框架，以及实现脑与外部设备（脑机/机接口）之间的直接通信途径。虽然人们对这些问题的兴趣越来越大，但模糊系统的贡献因应用领域而异。一方面，考虑到脑活动的解码，处理不确定性的高级计算智能方法（如模糊集和系统）代表了一种极好的工具，可以克服处理极度嘈杂的信号的挑战，这些信号很可能受到非平稳性、不变量和泛化能力差的影响。另一方面，就神经科学研究而言，可能性和模糊性同样被用于测量突触、神经元和大脑区域或区域之间的平滑整合。在此背景下，拟议的特刊旨在建立一个专门的论坛，作为计算智能研究人员的媒介，他们希望利用模糊系统和模糊逻辑等先进技术来模拟和表达对脑信号和神经成像数据分析的不确定性。任何与神经科学相关的领域，如计算神经科学、脑机接口、神经科学、神经信息学、神经人体工程学、计算认知神经科学、情感神经科学、神经生物学、脑映射、神经工程和神经技术都是合适的。本期特刊重点介绍在不同知识领域研究的模糊系统和应用于脑信号和神经成像的计算方法的最新进展、挑战和未来前景。因此，我们邀请研究人员为本期特刊贡献原创作品，利用脑信号和神经成像中使用计算和数学技术的最新方法，并解决开发用于各种临床应用的专用系统的挑战，同时提出未来发展的新想法和方向。感兴趣的主题包括但不限于以下内容：
电生理学和神经影像学研究——意识障碍中的静息状态和感觉刺激：综述
严重的脑损伤可能导致意识障碍 (DOC)，如昏迷、植物人状态 (VS)、微意识状态 (MCS) 或闭锁综合征 (LIS)。迄今为止，DOC 的诊断仅依赖于临床评估或主观评分系统（如格拉斯哥昏迷量表），这些系统无法检测到细微的变化，从而导致诊断错误。DOC 患者的误诊率高且无法预测意识的恢复，引起了人们对意识评估的极大研究兴趣。研究人员已经探索了使用各种刺激和神经成像技术来改善诊断。在本文中，我们介绍了静息状态和感官刺激方法的重要发现，并重点介绍了在意识评估中被证明有效的刺激。我们首先根据 (a) 应用/不使用刺激（即感觉刺激/基于静息状态）、(b) 所用刺激类型（即听觉、视觉、触觉、嗅觉或心理意象）、(c) 所用电生理信号（EEG/ERP、fMRI、PET、EMG、SCL 或 ECG）来回顾文献。在感觉刺激方法中，听觉刺激已被广泛使用，因为它对这些患者来说更容易进行。嗅觉和触觉刺激的探索较少，需要进一步研究。情绪刺激，如受试者自己的名字或熟悉声音的叙述或受试者自己的面部/家庭照片或音乐，会引起比中性刺激更强烈的反应。基于静息状态分析的研究采用了复杂性、功率谱特征、熵和功能连接模式等措施来区分 VS 和 MCS 患者。静息状态脑电图和 fMRI 是最先进的技术，在预测昏迷患者的恢复方面具有巨大的潜力。此外，基于 EMG 和心理意象的研究试图从 VS 患者那里获得意志反应，从而可以检测他们的命令执行能力。这可能为与这些患者沟通提供有效的手段。最近的研究采用了 fMRI 和 PET 来了解与心理意象相对应的大脑激活模式。这篇综述促进了我们对用于诊断 DOC 患者的技术的了解，并试图为未来的研究提供思路。
将机器学习应用于神经影像数据以识别阅读障碍 (RD) 的预测模型
推荐引用 推荐引用 Low, Spencer，“将机器学习应用于神经影像数据以识别阅读障碍 (RD) 的预测模型”(2020)。荣誉学者论文。677。https://opencommons.uconn.edu/srhonors_theses/677
人类面部视点选择性神经影像学研究中不一致和一致结果的统一模型
研究文章 | 系统/电路 人类面部视点选择性神经影像学研究中不一致和一致结果的统一模型 https://doi.org/10.1523/JNEUROSCI.0296-23.2024 收稿日期：2023 年 2 月 14 日 修订日期：2024 年 2 月 6 日 接受日期：2024 年 2 月 15 日 版权所有 © 2024 作者
使用脑结构神经影像学测量来预测临床高危人群的精神病发作
© 2024 作者。开放存取。本文根据知识共享署名 4.0 国际许可协议授权，允许以任何媒介或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非在材料的致谢中另有说明。如果材料未包含在文章的知识共享许可中，并且您的预期用途不被法定法规允许或超出允许用途，则您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。
南加州大学马克和玛丽史蒂文斯神经成像和信息学研究所的医学人工智能项目
预测大脑年龄：帮助预测大脑年龄（可能与实际年龄不同）的礼物可以帮助我们更好地了解与神经退行性疾病和阿尔茨海默病相关的因素。我们的团队使用卷积神经网络 (CNN) 模型（一种新的、更准确的数学模型）来更好地预测大脑年龄，从而发现了新的遗传标记。另一个 INI 团队发布了一种使用 MRI 扫描预测大脑年龄的新深度学习模型，为大脑内的衰老模式提供了新的见解。
在 7T 人类神经影像数据预测中对各种人工视觉模型进行大规模基准测试
机器视觉和认知神经成像技术的快速同步发展为（重新）评估人类视觉系统人工模型的现状提供了无与伦比的机会。在这里，我们对 85 种现代深度神经网络模型（例如 CLIP、BarlowTwins、Mask-RCNN）进行了大规模基准分析，以强大的统计能力表征架构和训练任务的差异如何影响对人类视觉系统 16 个不同区域的 fMRI 活动的预测。我们发现：第一，即使是鲜明的架构差异（例如 Transformers 和 MLP-mixer 中没有卷积）对大脑数据的紧急拟合也影响很小；第二，任务的差异有明显的影响——分类和自监督模型显示出相对更强的大脑预测能力；第三，特征重新加权可显着提高大脑预测能力，而不会过度拟合——产生模型到大脑的回归权重，这些权重在数千张新图像中对大脑反应的预测能力达到相同的水平。广义上，这项工作展示了现代深度神经网络模型的特征空间与人类视觉系统固有的表征结构之间出现的对应关系的概况。