XiaoMi-AI文件搜索系统
World File Search SystemdMRI
儿童脑震荡的神经道多症状关系
背景：脑震荡中白质损伤和症状的异质性已被确定为治疗创新的主要障碍。相比之下，大多数关于脑震荡的扩散磁共振成像 (dMRI) 研究传统上依赖于平均异质性的组比较方法。为了利用而不是平均脑震荡异质性，我们结合了 dMRI 和多变量统计数据来表征多通道多症状关系。方法：使用青少年大脑认知发展研究中 306 名 9-10 岁脑震荡儿童的横断面数据，我们构建了由经典和新兴扩散测量加权的连接组。这些测量被组合成两个信息指数，第一个代表微观结构复杂性，第二个代表轴突密度。我们部署了模式学习算法来联合分解这些连接特征和 19 个症状测量。结果：早期的多束多症状对解释了最多的协方差并代表了广泛的症状类别，例如一般问题对或代表所有认知症状的对，并暗示了更分散的白质束网络。进一步的对代表了更具体的症状组合，例如仅代表注意力问题的对，并且与更局部的白质异常相关。症状表现与对之间的束表现没有系统相关性。大多数对都涉及睡眠问题，但与这些对之间的不同连接有关。多束特征的表达不是由社会人口统计学和伤害相关变量驱动的，也不是由 ADHD 的存在定义的临床亚组驱动的。对复制数据集进行的分析显示出一致的结果。结论：使用双多变量方法，我们确定了具有临床信息量的跨人口统计多束多症状关系。这些结果表明，脑震荡可能不是明显的一对一症状连接障碍，而是以症状/连接关系的亚型为特征。在多通道多症状对中确定的症状/连接关系在单通道/单症状分析中并不明显。旨在更好地理解连接/症状关系的未来研究应考虑到多通道多症状异质性。
弥合差距：从神经解剖学知识到脑通路纤维束成像
尽管纤维束成像技术最近取得了进展，但文献中对白质通路的描述与从 dMRI 图像重建和研究白质通路的方法之间仍然存在很大差距。在这里，我们通过提出一种定义白质束的语言（即 WMQL T）和一种根据 WMQL T 查询自动重建通路的工具来应对这一挑战。我们的方法性能高，足够灵活，可以使用多种模态定义束，并允许扩展基于 ROI 的重建方法。利用我们的语言，我们定义了 19 个主要脑束及其细分，并在大量人群中重建它们。我们表明，重建通路的形状及其连接性和侧化与当前的神经解剖学文献一致。最后，我们在两种情况下展示了我们的技术：计算束的功能细分，以及评估惯用手和性别在语言相关束侧化中的作用。
基于机器学习的复合材料中观本构模型多尺度校准：应用于脑白质
摘要 提出了一种用于改进复合材料本构建模的模块化流程。该方法可用于开发特定受试者的空间变化脑白质力学性能。对于此应用，从扩散磁共振成像 (dMRI) 扫描中提取白质微观结构信息，并用于生成数百个具有随机分布纤维特性的代表性体积元素 (RVE)。通过对这些 RVE 自动运行有限元分析，可以生成与多个 RVE 特定载荷情况相对应的应力-应变曲线。然后针对每个 RVE 校准一个使 RVE 行为均质化的中观本构模型，从而针对每组 RVE 微观结构特征生成一个校准参数库。最后，实现一个机器学习层，直接从任何新的微观结构预测本构模型参数。结果表明，该方法可以高精度地预测校准后的中观材料性能。更一般地说，当提供实验测量的特定位置的纤维几何特性时，整体框架可以有效模拟复合材料的空间变化机械行为。
高效注释AI训练数据
图 1. 深度学习网络输出的示例，其中找到并掩盖了鱼的横截面图像中的内脏器官（红褐色）。该图像来自 CompleteSCAN 项目，丹麦技术研究所 DMRI 对整条鲑鱼进行了 CT 扫描，并开发了深度学习算法来自动查找和去除内脏、头部和鱼鳍，以确定鱼片的产量。深度学习的日益普及，部分原因是该技术在执行图像分析方面非常有效，而使用传统的图像分析技术进行图像分析会非常复杂和困难，部分原因是近年来主要科技公司已经开发并提供用于设计、训练和执行深度学习网络的工具（例如谷歌的 TensorFlow 和 Facebook 的 PyTorch）。要从头开始训练深度学习图像分析网络，必须使用数十万张带注释图像形式的参考数据。那是。图片中说明了图片中的内容，并且通常还说明了它在图片中的位置。幸运的是，通常可以从
脑磁共振成像的进展
摘要：Prader – Willi综合征（PWS），这是一种罕见的表观遗传疾病，绘制了15q11.2-Q13.3的印迹式循环结构域，以不同阶段的形式表现出常规的神经发育轨迹。PWS的当前多模式磁共振成像（MRI）方法集中在形态MRI（MMRI），扩散MRI（DMRI）和功能性MRI（fMRI）上，以揭示脑改变。该技术提供了另一种观点，可以理解PWS的潜在神经发育和神经病理过程，此外，除了特定的分子基因表达模式，各种临床表现和代谢表型。PWS患者的多模式MRI研究表明，灰质体积，纤维段的完整性以及某些网络的激活和连通性的大脑变化。这些发现主要表明，额叶奖励回路和边缘系统的大脑改变与分子遗传学和临床表现有关（例如，压倒性的饮食，强迫性的强迫行为和皮肤采摘）。使用大型样本量和高级MRI技术以及人工智能算法的进一步探索将是研究PWS的结构和功能变化以及潜在的发病机理的主要研究方向。
互补的结构和功能异常定位致痫组织
较新的定量方法可以辅助临床上使用的传统定性方法，并减轻无益的人为偏见。使用定量技术，癫痫患者可能通过不同的方式检测到异常，包括 MRI、5 – 8 EEG、9 – 11 MEG、12、13 和弥散加权 MRI (dMRI)。14 – 18 这些异常的数量、程度和位置已被证明与手术结果有关。10、11、19 – 21 此外，不同的方式可以提供互补的信息，因此多模态分析可以比单一方式有所改进。22 因此，结合多种方式的定量方法可能能够提高我们对癫痫发作、癫痫和手术失败原因的理解。大脑活动的电记录长期以来一直被用来识别与癫痫发作有关的大脑区域。这种识别通常涉及从发作数据中定位癫痫发作区域。最近，人们使用发作间期 iEEG 记录创建了健康大脑活动的常态图。10、11、23 这些图可以通过将每个患者与常态图进行比较来识别个体患者的异常情况。假设异常可能
元模态信息流：一种捕获方法...
摘要 — 目标：对同一现象进行多模态测量可提供互补信息并突出不同的观点，尽管每种方法都有各自的局限性。只关注单一模态可能会导致错误的推论，当研究的现象是疾病时，这一点尤其重要。在本文中，我们介绍了一种利用多模态数据来解决精神分裂症 (SZ) 中的断线和功能障碍假设的方法。方法：我们首先使用高斯图模型 (GGM) 估计和可视化提取的多模态数据特征内和之间的链接。然后，我们提出了一种基于模块化的方法，该方法可应用于 GGM 以识别与多模态数据集中的精神疾病相关的链接。通过模拟和真实数据，我们展示了我们的方法揭示了与疾病相关的网络中断的重要信息，而这些信息在关注单一模态时会被忽略。我们使用功能性磁共振成像 (fMRI)、扩散磁共振成像 (dMRI) 和结构磁共振成像 (sMRI) 来计算低频波动的分数振幅 (fALFF)、分数各向异性 (FA) 和灰质 (GM) 浓度图。使用我们的模块化方法分析这三种模态。结果：我们的结果显示缺失的链接仅由跨模态信息捕获，这可能在组件之间的断开连接中发挥重要作用。结论：我们在 SZ 患者的默认模式网络区域中发现了多模态 (fALFF、FA 和 GM) 断开连接，这在单一模态中是无法检测到的。意义：所提出的方法为捕获分布在多种成像模态之间的信息提供了一种重要的新工具。
利用多模态图变换器揭示连续大脑动态组织
摘要：大脑大规模动力学受到内在解剖基础异质性的制约。人们对时空动力学如何适应异质结构连接 (SC) 知之甚少。现代神经成像模式使得研究秒到分钟尺度的内在大脑活动成为可能。扩散磁共振成像 (dMRI) 和功能性 MRI 揭示了不同大脑区域的大规模 SC。电生理方法 (即 MEG/EEG) 提供神经活动的直接测量，并表现出复杂的神经生物学时间动态，而这是 fMRI 无法解决的。然而，大多数现有的多模态分析方法在空间或时间域中折叠大脑测量值，无法捕捉时空电路动态。在本文中，我们提出了一种新颖的时空图 Transformer 模型来整合空间和时间域中的结构和功能连接。所提出的方法使用多模态脑数据（即 fMRI、MRI、MEG 和行为表现）通过对比学习和基于多头注意的图 Transformer 来学习异构节点和图表示。所提出的对比图 Transformer 表示模型结合了受 T1 到 T2 加权（T1w/T2w）约束的异构图，以提高模型对结构功能相互作用的拟合度。使用多模态静息态脑测量的实验结果表明，所提出的方法可以突出大规模脑时空动态的局部特性，并捕捉功能连接和行为之间的依赖强度。总之，所提出的方法能够对不同的模态变体进行复杂的脑动力学解释。