XiaoMi-AI文件搜索系统
World File Search SystemVoxel
A10：生理声学 - ICA 2022
摘要 开发恢复听力的新疗法需要有关耳蜗的空间尺寸、组织形态和感音神经状态的详细信息。然而，耳蜗深深嵌入颞骨，因此难以使用成像技术。在这里，我们采用了三维 X 射线相位对比断层扫描和光片荧光显微镜及其组合，用于已建立的听觉研究动物模型。虽然光片荧光显微镜可以对听觉神经细胞进行特定的免疫标记，但 X 射线相位对比断层扫描使我们能够获得均匀体素大小的结构信息，并利用细胞核等亚细胞特征，而无需进行特定的样品制备。耳蜗形态的多尺度和多模态成像将促进基因治疗和人工耳蜗植入等创新耳聋方法的临床前研究。关键词：耳蜗、X 射线相位对比断层扫描、光片荧光显微镜
三维锥形束计算机化...
背景 CBCT 是一种获取三维射线图像的方法，在牙科领域越来越受欢迎。生成的图像易于使用，并且比传统的二维射线照片提供更多信息。三维成像能够捕获骨骼和软组织，然后可以一起或单独显示（图 1）。与螺旋 CT 和扇形 CT 等早期 CT 技术一样，可以观察到“逐片”轴向、矢状和冠状图像，但 CBCT 软件还结合了参考线，使这些切片的定位变得不那么复杂。例如，即使只观察冠状视图或完整图像的一小部分，矢状切片视图中的线也会指示正在分析的切片或对象的高度和位置（图 2）。CBCT 本质上是数字化的，它使用计算机程序从一系列 250 到 300 张二维图像构建三维体积。CBCT 术语反映了这一重点。例如，体素用于代替像素，因为它指的是体积而不是二维空间。图像文件是 DICOM（数字成像和
小学生的创造性思维和大脑网络发展
图1分析管道的示意图。（a）解剖和静止状态数据采集。（b）使用FMRIPREP 20.2.1进行成像数据预处理。（c）使用礼品工具箱的静止状态功能磁共振成像（RS-FMRI）数据的ICA组和三个感兴趣网络的ICS选择（DMN，SN，ECN）。这允许从体素活动产生空间图和时间课程。（d）静态功能网络连接（SFNC）是在所有儿童的平均时间课程上进行的，以生成空间图，时间课程光谱和FNC相关性。（E）在每个孩子的整个时间过程中执行动态功能网络连接（DFNC）。一种基于窗口的方法将信号分为相同长度的小窗口，然后是K-均值算法，将相似窗口重组为簇。分析产生了DFNC措施，例如停留时间（即，参与者在每个大脑状态中花费的时间/扫描）。
使用非接触射频信号监测长期心脏活动
图1的概述。a，我们的系统将RF信号从胸部反射为输入并输出实时IBI，然后将其用于诊断心脏病。b，本文使用的RF设备的示意图爆炸视图。c，我们的系统由三个组成部分组成：信号选择，节拍频率模式提取和HRV估计。首先，我们引入了信号选择算法，以选择具有丰富心跳信息的体素点。然后，我们将信号分解为各种频率组件，并使用高频组件获得节拍频率模式。最后，我们从模式中提取心跳峰来计算HRV。d，在两种情况下评估了拟议的系统：临床场景和日常生活情况。e，对拟议的系统进行了三个任务的评估，包括在大规模临床环境中监测HRV，在大规模临床方面诊断心脏病，并在长期日常生活情况下监测HRV。
![arxiv：2403.14366v1 [cs.cv] 2024年3月21日](/simg/g:\will\search\icon\source\8\8d320593ada67de300c7ac707880695a5a4b4e4d.webp)
arxiv：2403.14366v1 [cs.cv] 2024年3月21日
以视觉为中心的3D环境理解既是VILA的，又对自动驾驶系统充满挑战。依据，无对象的方法吸引了相当大的意义。通过预测离散体素电网的语义，但无法构建连续，准确的障碍物表面，就可以感知世界。为此，在本文中，我们提议围绕着axtingsdf，以隐式预测周围图像的连续感知的签名距离场（SDF）和语义场。具体来说，我们介绍了一种基于查询的方法，并利用了由Eikonal配方构成的SDF来准确描述障碍物的表面。此外，考虑到缺乏精确的SDF地面真相，我们提出了一个新颖的SDF监督范式，被称为三明治艾科尼尔配方，强调在表面的两边都适用于正确且密集的约束，从而增强了表面上的精度。实验表明，我们的方法可以在Nuscenes数据集上用于占用预测和3D场景重建任务的SOTA。
基底神经节 - 丘脑的因果相互作用。
受试者保持身体姿势不做任何计划好的动作，并在运动任务条件下，受试者用右手重复进行手指伸展/屈曲。BOLD 对比图像（4x4x4 毫米体素平面分辨率；回波平面成像重复时间为 1.6 秒；回波时间 21.6 毫秒；翻转角度 90º）以 100 个体积的块形式按照以下顺序记录：运动阻滞→静止阻滞→运动阻滞→静止阻滞（每个受试者 400 个总体积 = 100 个体积 x 2 个运动阻滞 x 2 个静止阻滞）。fMRI 数据与 3D 解剖图像（1x1x1 毫米体素分辨率；重复时间 7.6 毫秒；回波时间 1.6 毫秒；翻转角度 12º；250 x 250 毫米视野；256x256 采样矩阵）联合注册。所有数据集都标准化到 Talairach 空间（表 1 显示了 ROI 的位置和大小）。
人脑中丘脑皮质连通性的系统发育保守的轴
使用Sigmoid Transformation的间隔。c，将转录组数据分配给丘脑种子。voxelwise估计在丘脑中提取了2,228个具有差异表达的基因的验尸基因表达的估计值。对于每个基因，每个种子点都分配给它所在的体素的表达值，以产生921 by-2228 by-by-gene矩阵。如上所述，每个基因的表达水平根据缩放的乙状结肠标准化为单位间隔。d，关节分解。通过主成分分析（PCA）将逐皮连通性和逐个基因矩阵串联并分解为一组正交因素。从最终的主组件（PC）中，第一台PC（PC1）解释了串联数据矩阵中差异的30.2％。对于每个PC，分数分别描述了丘脑和载荷中每个成分的表示，分别描述了每个皮质区域和基因的连通性强度和基因表达水平的贡献。
机器学习应用于大脑对残缺图片反应的 fMRI 激活模式，可预测创伤后应激障碍症状
权重图显示每个体素对预测函数的相对贡献。如文献中先前讨论的那样（Schrouff 等人，2013；Schrouff 等人，2018），机器学习模型的权重图不能像标准质量单变量分析那样通过阈值化来做出区域特定推断。由于每个交叉验证折叠都会产生不同的权重向量，因此最终的权重图是折叠结果的平均值。我们使用解剖图谱总结了解剖区域中的权重图（Schrouff 等人，2013；Portugal 等人，2016；Portugal 等人，2019）。我们计算了每个大脑区域的归一化权重，作为该区域内体素绝对权重的平均值。然后，我们根据它们解释的总归一化权重的百分比对区域进行排名。我们使用了解剖自动标记 (AAL) 图谱 (Tzourio-Mazoyer 等，2002)
Brain2Pix：根据大脑活动进行完全卷积自然视频帧重建
从大脑活动中重建复杂而动态的视觉感知仍然是机器学习应用于神经科学的一大挑战。在这里，我们提出了一种新方法，用于从非常大的单参与者功能性磁共振成像数据中重建自然图像和视频，该方法利用了图像到图像转换网络的最新成功。这是通过利用从整个视觉系统的视网膜主题映射中获得的空间信息来实现的。更具体地说，我们首先根据其对应的感受野位置确定特定感兴趣区域中的每个体素在视野中代表什么位置。然后，将视野上大脑活动的 2D 图像表示传递给完全卷积的图像到图像网络，该网络经过训练以使用带有对抗性正则化的 VGG 特征损失恢复原始刺激。在我们的实验中，我们表明我们的方法比现有的视频重建技术有了显着的改进。
运动缺陷皮质脊髓束预测术后动静脉畸形及脑辅助评估的空间关系
材料与方法：回顾性分析83例行显微手术切除涉及运动相关区域的脑动静脉畸形患者，利用TOF-MRA和DTI的人工智能技术计算4项人工智能指标，包括FN 5mm/50mm（距病灶边界5～50mm范围内的纤维数目比例）、FN 10mm/50mm（距病灶边界5～50mm范围内的纤维数目比例）、FP 5mm/50mm（距病灶边界5～50mm范围内的纤维体素点比例）、FP 10mm/50mm（距病灶边界5～50mm范围内的纤维体素点比例），采用单因素及多因素分析各指标与术后远期运动功能障碍的关系。使用最小绝对值收缩和选择算子回归与皮尔逊相关系数来选择最佳特征，以开发机器学习模型来预测术后运动缺陷。计算曲线下面积以评估预测性能。