XiaoMi-AI文件搜索系统
World File Search Systemanatomical
探索表征和迁移学习在解剖神经成像中的潜力：在精神病学中的应用
脑部疾病个性化医疗的前景需要有效的学习模型，以便基于解剖神经影像学预测临床状况。现在，人们一致认为深度学习 (DL) 有助于解决许多医学成像任务，例如图像分割。然而，对于单一主题预测问题，最近的研究在将 DL 与基于经典特征提取的标准机器学习 (SML) 进行比较时得出了矛盾的结果。大多数现有的比较研究仅限于预测性别和年龄等临床意义不大的表型，并且使用单一数据集。此外，他们对所采用的图像预处理和特征选择策略进行了有限的分析。本文广泛比较了 DL 和 SML 对五个多站点问题的预测能力，包括三个日益复杂的精神病学临床应用，即精神分裂症、躁郁症和自闭症谱系障碍 (ASD) 诊断。为了弥补这些临床数据集上神经影像数据的相对稀缺性，我们还评估了三种从一般健康人群的脑成像中进行迁移学习的预训练策略：自监督学习、生成建模和随年龄的监督学习。总体而言，我们发现随机初始化的 DL 和 SML 在三个临床任务中的表现相似，并且在性别预测方面具有相似的扩展趋势。这在外部数据集上得到了复制。我们还展示了所有问题中 DL 和线性 ML 模型之间高度相关的判别大脑区域。尽管如此，我们证明，在大型健康人群成像数据集（N ≈ 10k）上进行自监督预训练，以及 Deep Ensemble，使 DL 能够学习到稳健且可迁移到小规模临床数据集（N ≤ 1k）的表示。在内部和外部测试集中，它在 3 个临床任务中的 2 个上都大大优于 SML。这些发现表明，DL 在解剖神经影像学方面相对于 SML 的改进主要来自于它学习有意义且有用的大脑解剖抽象表征的能力，并且它揭示了迁移学习在精神病学个性化医疗中的潜力。
利用机器学习得出的解剖 MRI 图谱对痴呆症进行放射学分类
与本文无关的竞争性经济利益：OC 报告称，他已收到 AskBio（2020 年）的咨询费，已收到 Expression Santé（2019 年）的撰写普通观众短文的费用，已收到 Palais de la découverte（2017 年）的普通观众演讲演讲费，并且他的实验室已收到 Qynapse（2017 年至今）的资助（支付给该机构）。他的实验室成员与 myBrainTechnologies（2016 年至今）共同指导了一篇博士论文。OC 的配偶是 myBrainTechnologies（2015 年至今）的员工。OC 已向世界知识产权组织国际局提交了一项专利（PCT/IB2016/0526993、Schiratti JB、Allassonniere S、Colliot O、Durrleman S、一种确定生物现象时间进程的方法以及相关方法和设备）（2016 年）。
青春期学习的动机
野生生菜（Lactuca Aff。Canadensis L.）属于Asteraceae家族，是在巴西进行的，可能起源于非洲，亚洲，欧洲和北美。普遍称为加拿大生菜，是一种非常规的绿叶蔬菜。对该物种的研究在巴西很少，其科学名称在专家之间进行了辩论。它具有很高的形态变异性和有争议的植物分类。这项研究表征了气孔，组织了核型，并确定了四种野生生菜形态型的核DNA含量，以促进正确的分类。使用的遗传物质是从UFLA中的非规定蔬菜种质中获取的。野生生菜形态型的叶子是最不受欢迎的，在弱点表皮中有更多的气孔。在形态型（绿色和紫色）之间以及光滑的紫色类型（狭窄的叶子和宽叶）之间存在相似之处。在四种形态型中的染色体数量（2n = 18）或DNA含量中没有发现变化。野生生菜的形态的分离与形态学分类或核学数据不符。评估的四种形态型被放置在同一物种下，与其他研究相比，获得的结果导致我们推断出野生乳酸的四种形态型属于该物种L. indica l。进一步的研究可以提供对该物种进化史的见解。
对跨解剖部位的头颈癌中免疫浸润的比较分析
抽象背景对靶向程序细胞死亡1（PD-1）受体的免疫检查点抑制剂的反应率为复发性或转移性头部和颈部鳞状细胞癌（HNSCC）患者的受体为13％–18％。对肿瘤免疫微环境（时间）的详细理解对于解释和提高该反应率至关重要。hnsccs出现在各种解剖学位置，包括口腔，咽部，喉和口咽。直接比较解剖部位之间免疫浸润的研究很少。由于不同的位置可能会驱动偏差的微环境，因此我们质疑免疫成分在这些HNSCC位点上是否有所不同。方法，我们使用流式细胞术表征了76个新鲜肿瘤标本的时间，并在9个头部和颈部肿瘤样品上进行了单细胞RNA的时间。结果，我们发现患者之间时间的组成有主要差异。比较解剖部位时：源自口腔的肿瘤的T细胞浸润高于其他解剖部位的肿瘤。患者之间的免疫检查点PD-1的肿瘤浸润T-淋巴细胞的百分比呈阳性，而在喉鳞状细胞癌（SCC）中发现的PD-1+ T细胞的最高分数。虽然我们假设肿瘤起源的解剖位点会驱动样品聚类，但我们的数据表明，时间类型更为主导，特别受PD-1的T细胞的比例驱动。此外，与改善总体生存率相关的PD-1+ CD8+ T细胞的高比例很高。使用单细胞RNA - 测序，我们观察到PD-1表达在CD8-ENTPD1组织驻留记忆T细胞/耗尽的T细胞和CD4-CXCL13中最高的PD-1表达和CD4-CXCL13 1型T辅助细胞簇。结论我们发现口腔SCC的T细胞频率最高。我们还观察到PD-1在T细胞上的大量室内异质性，喉SCC中PD-1+ CD4+ T辅助细胞的频率明显更高。在整个队列中，PD-1阳性的CD8+ T细胞的较高比例与改善的总生存期有关。时间内PD-1+ T细胞的分数是否能够为患有头颈癌患者的免疫检查点抑制剂反应预测。
尸体马拉维人种群中脑动脉动脉动脉脑的解剖变异和形态学特性
背景：对脑电动杆菌的解剖结构（CAC）的了解对于理解其作为附带灌注和压力均衡的动脉吻合结构的作用很重要，并且可以解释观察到的跨种群神经血管疾病患者的变化。这项研究旨在了解马拉维人口中CAC的解剖结构和形态计量学特性。材料和方法：在医疗法律尸检期间，最近24种黑人马拉维人尸体收集大脑。使用位于距大脑底部30厘米高的相机拍摄的CAC的照片。全圈属性和分段容器参数，注意完整性，典型，对称性和节式容器直径和长度。结果：在69.57％的CAC中发现了完整的圆形配置。典型的37.5％是典型的典型性患病率为26.09％。血管不对称性。有7例血管植物和12例血管发育不全。后验交通动脉（PCOA）是最大的（12个变化），最宽（7.67 mm）和最长（27.7毫米）的血管，而前交通动脉（ACOA）是最短（0.78 mm）。在这项研究中，ACOA和PCOA都是最狭窄的血管（0.67 mm）。CAC变化似乎与不同人群中观察到的变化相似。（Folia Morphol 2021; 80，4：820–826）结论：马拉维人群中存在CAC的解剖学变化，应在临床实践中考虑。
通过能力支付有序地退休中国的燃煤电力能力，以支持可再生能源扩张
Magellanmapper是一款软件套件，旨在以内存有效的方式进行大型，3D脑成像数据集的视觉检查和端到端自动处理。迅速增长的大容量，高分辨率数据集需要在宏观和微观水平上可视化原始数据，以评估数据和自动化处理的质量，以量化数据的方式，以对大量样品进行比较。为了促进这些分析，MagellanMapper提供了用于手动检查的图形用户界面，也提供了用于自动图像处理的命令行界面。在宏观级别上，图形接口允许研究人员在每个维度中同时查看完整的体积图像并注释解剖标签位置。在显微镜水平上，研究人员可以在高分辨率下检查感兴趣的区域，以构建细胞位置（例如核位置）的地面真相数据。使用命令行界面，研究人员可以在体积图像上自动化细胞检测，改进解剖图集标签以适合基本的组织学，将这些地图集注册以采样图像，并通过解剖区域进行统计分析。MagellanMapper利用建立的开源计算机视觉库，本身就是开源，可以免费下载和扩展。
通过计算机断层扫描
本研究旨在通过测量不同狗品种中心脏的椎心脏尺度和心脏的解剖结构来揭示统计差异。椎心尺度（VHS）最近被描述为一种测量狗和猫的心脏轮廓的方法。椎骨心脏尺度（VHS）可能因年龄，体重等而因狗和猫而异。使用了不同年龄和体重的21只狗（10只男性和11个女性）。在使用的狗品种中，包括法国斗牛犬，俄罗斯贵宾犬，罗威纳犬，杰克·罗素，金毛猎人，金查尔斯，北京，比利时牧羊犬，赫斯基，奇瓦瓦，奇瓦瓦，卡克，terrier，terrier，斗牛犬，斗牛犬，bouvier，bouvier和弗兰德斯繁殖。在80 kV，200 Ma，639 MGY和0.625 mm切片厚度下扫描多层检测器。所得图像保存在数字成像和医学（DICOM）格式中。在3D-Slicer软件中测量获得的部分。胸高度（Th）和颅静脉腔（CVC）测量参数具有统计学意义，重量（p <0.05）。椎骨心脏尺度（VHS）在相关分析中具有任何参数（p> 0.05），在统计上没有统计学意义。在动物重量的相关表与测量值的相关表中，可以看到它与除椎骨心脏分数（VHS）以外的其他测量参数具有非常显着的正相关性（p <0.01）。椎骨尺度确定为女性的9.09±1.37椎骨，男性为9.50±0.52椎骨。该研究旨在为兽医解剖学，手术和内科医学做出贡献。
Anx007对视力的保存：临床结果和第2阶段弓箭手试验的解剖变化
1 Stevens，2007年，Cell 131：1164; Howell等，2011 J Clin Invest。 121：1429; Schafer等，2012 Neuron 74：691; Stephan等，2012 Annu Rev Neurosci 35：369; Hong等，2016 Science。 352：712; Lui等，2016 Cell 165：921; Dejanovic等，2018 Neuron 100：1322; Vukojicic; Vukojicic等，2019，2019年，细胞代表29：3087; Williams等人，Williams等，2016 Mol Neurdegener 11：26：26：26：26; 2 Yednock等，2022 Int J Retina Vitreous 8：79; 3 Lansita等人，2017年国际毒理学杂志，36：4491 Stevens，2007年，Cell 131：1164; Howell等，2011 J Clin Invest。121：1429; Schafer等，2012 Neuron 74：691; Stephan等，2012 Annu Rev Neurosci 35：369; Hong等，2016 Science。352：712; Lui等，2016 Cell 165：921; Dejanovic等，2018 Neuron 100：1322; Vukojicic; Vukojicic等，2019，2019年，细胞代表29：3087; Williams等人，Williams等，2016 Mol Neurdegener 11：26：26：26：26; 2 Yednock等，2022 Int J Retina Vitreous 8：79; 3 Lansita等人，2017年国际毒理学杂志，36：449
跨物种皮质排列识别灵长类颞叶不同类型的解剖重组
1 英国牛津大学约翰拉德克利夫医院纳菲尔德临床神经科学系、大脑功能性磁共振成像中心 (FMRIB) 威康综合神经影像中心，英国伦敦；2 英国伦敦国王学院生物医学工程系，英国伦敦；3 荷兰奈梅亨拉德堡德大学唐德斯大脑、认知和行为研究所，荷兰奈梅亨；4 美国亚特兰大埃默里大学亚特兰大儿童保健中心马库斯自闭症中心；5 英国牛津大学生理学、解剖学和遗传学系；6 德国马格德堡马格德堡大学生物学研究所；7 德国马格德堡莱布尼茨神经生物学研究所；8 英国牛津大学实验心理学系威康综合神经影像中心
使用深度学习
摘要：有关左心的解剖结构的知识，特定于中庭（LA）和心室（即心内膜外 - 伏托（Vendo）和表心外 - lvepi）对于评估心脏功能是必不可少的。超声心动图的心脏结构的手动分割是基线参考，但结果是用户依赖性且耗时的。为了支持临床实践，本文提出了一种新的深入学习（DL）工具，用于从超声心动图图像中分割左心的解剖结构。特别是设计为两个卷积神经网络，Yolov7算法和一个U-NET的组合，其目的是将超声心动图像自动分为Lvendo，Lvepi和La。基于DL的工具接受了对心脏习得的培训和测试。对于每位患者，临床医生收购并注释了末端和末端末端的顶部两次和四室视图。在全球范围内，我们的基于DL的工具能够分割Lvendo，Lvepi和La，提供了等于92.63％，85.59％和87.57％的骰子相似性系数。总而言之，所提出的基于DL的工具被证明是可靠的，可以自动分割左心的解剖结构并支持心脏病临床实践。