XiaoMi-AI文件搜索系统
World File Search SystemT1W
在耐药性抑郁症中连续酮胺输注后白质微观结构的变化
图3连续氯胺酮输注后WM的重大变化。在连接时间，枕骨和边缘区域的区域中观察到NDI的显着降低，包括左后丘脑辐射，左下纵向筋膜，以及内囊的左后角区域。（a）NDI显着降低的WM区域的多切片视图，在MNI-152 T1W脑上覆盖了每个切片视图的MNI坐标。更明亮的颜色表示更大的意义。（b）使用显着的WM道作为统计ROI，在每个受试者的氯胺酮处理前后，在此ROI中计算了平均NDI值。每个时间点的箱形图显示了平均NDI值的分布，在两个时间点上连接受试者的线显示在氯胺酮治疗后每个受试者的平均NDI变化（蓝色=减少，红色=增加）。a p -value（6.3e -08）来自配对的t检验comapring在ROI内的平均NDI随时间变化的平均变化在框图上方列出。ndi，神经突密度指数； ROI，感兴趣的地区； WM，白色物质
ciftistorm管道：促进可再现的脑电图/meg源连接
我们提出了ciftistorm，这是一种电生理源成像（ESI）管道，该管道结合了最近开发的改善正向和逆溶液的方法。Ciftistorm管道产生人类连接组项目（HCP）和符合空间分辨率程度的数据集输入的MegConnectome兼容输出。输入数据的范围可以从没有结构磁共振成像（SMRI）的低传感器密度脑电图（EEG）或磁脑电图（MEG）录制到具有HCP多模态SMRI符合SMRI的HCP EEG/ MEG记录。ciftistorm将铅场和几何校正的数字质量控制引入了正向建模的头部和源模型。对于反向建模，我们提出了基于多个先验的源头光谱的贝叶斯估计。我们促进了从单个SMRI获得的T1W/fsaverage32k高分辨率空间中的ESI。我们通过比较来自HCP MEG和MRI标准化数据集前十年中获得的CUBAN HUMEN BRAIN MAPPICS项目（CHBMP）的EEG和MRI数据的Ciftistorm输出来验证此功能。
深层古生物学和DNA存活的极限
摘要恶性神经胶质瘤的渗透性会导致活性肿瘤扩散到周围的水肿中，即使在对比度注射后，在常规磁共振成像（CMRI）中也不可见。MR弛豫计（QMRI）测量弛豫率取决于组织特性，并可以提供其他对比机制，以突出非增强的浸润性肿瘤。在考虑深度学习的脑肿瘤检测和分割，术前常规（T1W次和对比度，T2W和FLAIR）以及定量（对比前和后对比度r 1，r 2和Proton密度）中，从23个典型的RADI中获得了一名典型的RADI，与CMRI数据相比，与CMRI序列相比是否提供了其他信息。在考虑基于深度学习的脑肿瘤检测和分割，术前常规（T1W per和Contyptrast和Contypontast，T2W和FLAIR），T2W和FLAIR）以及定量（前后和后对比度R 1，R 2和Proton MINID）MR研究中获得了23个典型的RADI较高的RADI，则获得了GREN。2D深度学习模型对使用CMRI或QMRI进行了横向切片（n = 528）的培训（n = 528），以进行肿瘤检测和分割。此外，对定量r 1和r 2的趋势通过模型解释方法与肿瘤检测相关的区域速率进行了定性分析。肿瘤检测和分割性能，用于对比前和对比后训练的模型最高（检测MATTHEWS相关系数（MCC）= 0.72，分割骰子相似系数（DSC）= 0.90），但是与CMRI相比，差异并不统计具有统计学意义。对使用模型识别的相关区域进行的总体分析表明，在CMRI或QMRI上训练的模型之间没有差异。查看各个病例时，注释以外的大脑区域的松弛率与肿瘤检测相关，在大多数情况下类似于注释中的区域类似的对比注射后显示出变化。总而言之，对QMRI数据培训的模型获得了与接受CMRI数据训练的模型相似的检测性能和分割性能，并在类似的扫描时间内定量测量脑组织性能。在考虑单个患者时，通过模型确定的区域的放松率分析表明，基于CMRI的肿瘤注释以外存在浸润性肿瘤。
基于T1的大脑的创新方法...
对大脑内在连通性模式的研究已越来越重要。对大脑网络拓扑的见解对于研究运动，感觉和认知过程以及神经退行性疾病的基本机制至关重要，例如阿尔茨海默氏病或帕金森氏病或痴呆症以及其他神经系统疾病（如多发性硬化症或癫痫）。因此，需要分析大脑不同解剖区域之间的拓扑结构组成。图理论已成为该领域的强大研究工具，使大脑网络的建模以及对不同大脑区域如何协调各种功能的评估。创新方法涉及一种基于单个形态测量方法重建基于T1W的网络的方法。发明者使用基于海马子场网络的示例性重建应用了该方法，但是该方法可以扩展到整个大脑或任何其他大脑子系统。与扩散成像网络的重建相反，我们的方法允许对脑组织的强大形态表征。该方法进一步允许评估脑分子和微结构特性，例如通过正电子发射断层扫描数据或代谢物成像。
肌萎缩性侧硬化症中的扩散张量成像
摘要：扩散张量成像（DTI）允许对病理白质变化的体内成像，既可以通过无偏的素voxel，也可以基于假设引导的区域分析。扩散指标的改变表明肌萎缩性侧索硬化症患者在个体水平上的脑状态。使用机器学习（ML）模型来分析复杂和高维神经影像学数据集，ALS中基于DTI的生物标志物的新机会。本综述旨在总结如何将基于DTI参数的不同ML模型用于监督诊断分类，并在ALS中使用无监督的方法提供个性化的患者分层。为了捕获整个神经病理学特征的频谱，DTI可能与其他模式相结合，例如ML模型中的结构T1W 3-D MRI。为了进一步提高ML在ALS中的功能并启用深度学习模型的应用，需要标准化的DTI协议和多中心协作来验证多模式DTI生物标志物。将ML模型应用于基于多模式DTI的多模式的数据集将对ALS患者的神经病理学特征进行详细评估，并可以在临床检查中使用的新型神经影像学生物标志物的发展。
振荡存在时区域异质性对全脑动态的影响
考虑到大脑细胞和分子组成、连接性和功能，健康和疾病状态下的大脑区域之间存在很大差异。由耦合大脑区域组成的大规模全脑模型可以深入了解形成自发性大脑活动复杂模式的潜在动态。特别是，异步状态下基于生物物理的平均场全脑模型被用来展示包括区域差异的动态后果。然而，当大脑动态由同步振荡状态支持时，异质性的作用仍然不太清楚，这是一种大脑中普遍存在的现象。在这里，我们实现了两个能够以不同抽象程度呈现振荡行为的模型：现象学斯图尔特-朗道模型和精确平均场模型。这些模型的拟合由结构到功能加权 MRI 信号 (T1w/T2w) 提供信息，使我们能够探索纳入异质性对健康参与者静息态 fMRI 记录建模的影响。我们发现，疾病特异性区域功能异质性在神经退行性疾病的 fMRI 记录的振荡范围内产生了动态后果，对脑萎缩/结构（阿尔茨海默氏症患者）产生了特定影响。总体而言，我们发现模型
ico 大脑 ms 5.1
多发性硬化症 (MS) 是一种慢性自身免疫性炎症性中枢神经系统神经疾病。目前，其诊断通常包括进行 MRI 扫描，因为它是 MS 最敏感的成像测试。MS 斑块通常从液体衰减反转恢复 (FLAIR) 图像中识别为形状、大小和位置变化很大的高强度区域，并根据 McDonald 标准进行常规分类。近年来，旨在开发各种半自动和自动方法以检测、分割和分类 MS 斑块的研究越来越多。在本文中，我们提出了一种基于两种管道的自动组合方法：传统的无监督机器学习技术和深度学习注意门 3D U-net 网络。深度学习网络经过专门训练，以解决传统方法的弱点，即在现实世界的临床 MRI 中难以分割幕下和皮质旁斑块。它在一个包含 159 个病例的多中心多扫描仪数据集上进行了训练和验证，每个病例都有 T1 加权 (T1w) 和 FLAIR 图像，以及 MS 斑块的手动描绘，由一组评分员进行分割和验证。检测率使用病变 Dice 评分进行量化。实施了一个简单的标签融合来组合两个管道的输出分割。与用作性能评估基线的无监督机器学习管道相比，这种组合方法分别将幕下和近皮质病变的检测率提高了 14% 和 31%。
UNC-BCP 4D婴儿脑体积图集
时空婴儿专用的大脑图石对于早期大脑发育的神经影像学分析至关重要。然而，由于获得高质量婴儿脑磁共振（MR）图像的困难，在处理获得的数据时面临重大的技术挑战，以及对大型样本量的需求，现有的婴儿地带通常以模糊的外观和稀疏的时间点构建。为了准确研究早期的大脑发育，高质量的空间婴儿脑图集是高度期望的。为了解决这个问题，我们基于UNC/UMN婴儿连接项目（BCP）数据集（Howell等，2019），为婴儿大脑构建了4D体积图谱，称为UNC-BCP 4D婴儿脑体积图集。这个4D地图集具有很高的空间分辨率，较大的年龄范围覆盖范围和密集采样的时间点（即0、1、2、3、4、5、6、7、7、8、9、9、10、11、11、12、15、15、18、11、24个月）。具体来说，使用T1W和T2W序列的542次MRI扫描，从240名婴儿到26个月的扫描年龄，用于我们的ATLAS结构。同时，将广泛使用的FreeSurfer Desikan皮层拟化方案（Desikan等，2006）映射到我们的4D地图集，并手动划定了皮层结构以促进基于ROI的分析。所有图像都扭曲成MNI空间（Mazziotta等，1995）。这个具有非常密集的时间点的4D婴儿体积图集将极大地促进对产后早期阶段中动态和关键神经发育的理解。
区域脑体积测量的单受试者分析可能会受到头部尺寸调整方法的强烈影响
抽象目的总颅内体积（TIV）通常是基于MRI的脑容量的滋扰。这项研究比较了两种TIV调整方法在区域大脑体积估计的单个受试者分析中对Z分数的影响。在包含5059 T1W图像的正常数据库中分割了脑脑实质，海马，丘脑和TIV的方法。使用剩余方法或比例方法调整了TIV的区域体积估计值。年龄。TIV和年龄调整后的区域体积转化为Z分数，然后在两种调整方法之间进行比较。在127例多发性硬化症患者中测试了它们对丘脑萎缩检测的影响。结果剩余方法在所有地区删除了与TIV的关联。比例方法导致了方向的转换，而没有相关的关联强度变化。使用剩余方法的生理学间变异性的降低比使用比例方法更大。用残差方法与比例方法获得的z得分之间的差异与TIV密切相关。在5％的受试者中，它大于一个z得分点。用剩余方法比使用比例方法（0.84对0.79），鉴定多发性硬化症患者的TIV和年龄调整后的丘脑体积的ROC曲线下的面积更大。结论在单个受试者分析中，应首选剩余方法进行TIV和基于T1W-MRI的大脑体积估计的年龄调整。
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。