XiaoMi-AI文件搜索系统
World File Search SystemfMRI
根据时间序列fMRI数据计算出的阿尔茨海默氏病的因果功能连通性
已知大脑区域之间的功能连通性在阿尔茨海默氏病中发生改变，并有望成为早期诊断的生物标志物。功能连接性的几种方法获得了代表大脑区域之间随机关联（相关）的非指导网络。但是，关联不一定意味着因果关系。相比之下，因果功能连通性（CFC）更有信息，提供了代表大脑区域之间因果关系的有向网络。在本文中，我们通过静止状态功能磁共振成像（RS-FMRI）记录了来自三个临床组的受试者的静止功能磁共振成像（RS-FMRI）的因果功能连接组：认知正常，轻度认知障碍和阿尔茨海默氏病。我们应用了最近开发的时间感知PC（TPC）算法来推断整个大脑的因果功能连接组。TPC在时间序列设置中基于有向图形建模的全脑CFC的模型估计。我们将TPC的CFC结果与文献中其他相关方法的结果进行了比较。然后，我们使用了TPC的CFC结果，并基于Welch的t -test t -test t -Values获得的Alzheimer和认知正常组之间的CFC边缘强度的差异进行了探索性分析。因此，发现大脑区域与临床/医疗机构的研究人员发表的有关受阿尔茨海默氏病影响的大脑区域的文献一致。
自闭症中fMRI和AI融合的雨伞评论
摘要：功能磁共振成像（fMRI）的作用在自闭症诊断中越来越重要。将人工智能（AI）的整合到应用领域进一步有助于其发展。本研究的目标是通过伞审查分析该领域中的新主题，包括系统的综述。研究方法是基于用于进行文献叙事审查的结构化过程，该过程使用PubMed和Scopus的伞审查。严格的标准，标准清单和合格过程。这些发现包括20项系统评价，这些评论强调了自闭症研究中的关键主题，特别是强调了技术整合的重要性，包括fMRI和AI的关键作用。这项研究还强调了催产素的神秘作用。在承认这一领域的巨大潜力的同时，结果并没有逃避承认重大挑战和局限性。有趣的是，越来越重视AI中的研究和创新，而与医疗保健过程的整合有关的方面，例如监管，接受，知情同意和数据安全，受到相对较少的关注。此外，将这些发现的整合到个性化医学（PM）中代表了自闭症研究中一个有希望但相对尚未探索的领域。这项研究通过鼓励学者专注于卫生领域整合的关键主题，这对于这些应用程序的常规实施至关重要。
大脑区域中的异质运动 BOLD-fMRI 反应......
'引言，对二氧化碳 (CO 2 ) 表现出负血氧水平依赖性脑血管反应 (BOLD-CVR) 反应的脑区被认为患有完全耗尽的自调节脑血管储备能力并表现出血管窃取现象。如果这个假设是正确的，那么血管窃取现象的存在随后应该会导致在基于运动任务的 BOLD-fMRI 研究期间在其他功能性脑组织中产生相等的负 fMRI 信号响应（由于储备能力耗尽，代谢增加但不导致脑血流量增加）。为了研究这个前提，本研究的目的是进一步研究表现出负 BOLD-CVR 的脑区中基于运动任务的 BOLD-fMRI 信号响应。 %材料和方法，纳入了 71 例无运动缺陷的脑血管狭窄闭塞症患者的数据集，这些患者在同一 MRI 检查期间接受了基于 CO 2 校准的运动任务的 BOLD-fMRI 研究（采用指敲范式），以及随后的 BOLD-CVR 研究（采用精确控制的 CO 2 激发）。我们比较了双侧中央前回和中央后回（即感兴趣区域（ROI））的 BOLD-fMRI 信号响应与该 ROI 中的相应 BOLD-CVR。使用对接受相同研究方案的 42 名健康个体的 BOLD-fMRI 任务研究的二级组分析来确定 ROI。结果，BOLD-CVR 的整体下降与 ROI 内的 BOLD-fMRI 信号响应的下降有关。对于表现出负 BOLD-CVR 的患者，我们发现基于运动任务的 BOLD-fMRI 信号响应既有正的也有负的。结论，我们发现，对 CO 2 的 BOLD-CVR 负反应的存在与异质性运动任务 BOLD-fMRI 信号反应有关，其中一些患者表现出更可能的负 BOLD-fMRI 信号反应，而其他患者表现出正 BOLD-fMRI 信号反应。这一发现可能表明
大脑解剖：fMRI 训练的网络揭示自然图像处理中的空间选择性
深度神经网络 (DNN) 特征与皮质反应之间的一致性目前为更高级的视觉区域提供了最准确的定量解释 [1、2、3、4]。与此同时，这些模型特征也被批评为无法解释的解释，将一个黑匣子（人脑）换成了另一个黑匣子（神经网络）。在本文中，我们训练网络直接从头开始预测大脑对来自大规模自然场景数据集的图像的反应 [5]。然后，我们使用“网络解剖” [6]，这是一种可解释的人工智能技术，通过识别和定位图像中已训练网络的各个单元中最显著的特征来增强神经网络的可解释性，该技术已用于研究人脑的类别选择性 [7]。我们采用这种方法创建了一个假设中立模型，然后使用该模型探索类别选择性之外的特定视觉区域的调节特性，我们称之为“大脑解剖”。我们利用大脑解剖来研究一系列生态上重要的中间特性，包括深度、表面法线、曲率和物体关系，这些特性贯穿顶叶、外侧和腹侧视觉流以及场景选择区域的子区域。我们的研究结果揭示了大脑各区域对解释视觉场景的不同偏好，其中腹外侧区域偏爱较近和较弯曲的特征，内侧和顶叶区域选择更多样化和更平坦的 3D 元素，而顶叶区域则特别偏爱空间关系。场景选择区域表现出不同的偏好，因为后压部复合体偏爱远处和户外特征，而枕叶和海马旁回区域偏爱近处、垂直性，而在 OPA 的情况下，偏爱室内元素。这些发现表明，使用可解释的人工智能揭示整个视觉皮层的空间特征选择性具有潜力，有助于更深入、更细致地了解人类视觉皮层在观看自然场景时的功能特征。
大脑动力学的堆叠模型可以提高 fMRI 对受试者特征的预测
2 在 HMM-MAR MATLAB 工具箱和 glhmm Python 工具箱中，这由 'DirichletDiag'/'dirichlet_diag' 选项指定。3 𝐾= 6, 𝛿= 10 4 𝐾∈{3,6,9,12, 15},𝛿∈{10,100, 1000, 10000, 100000} 。有关详细信息，请参阅补充表 SI-3。
Swift：Swin 4D FMRI变压器
从高维数据（例如功能磁共振成像（fMRI））中对时空脑动力学进行建模是神经科学中的一项艰巨任务。现有的fMRI分析方法采用了手工制作的功能，但是功能提取风险在fMRI扫描中失去基本信息的过程。为了应对这一挑战，我们提出了Swift（Swi N 4d F Mri T Ransformer），这是一种Swin Transformer架构，可以直接从fMRI卷中以记忆和计算有效的方式学习大脑动力学。Swift通过实施4D窗口多头自我发项机制和绝对位置嵌入来实现这一目标。我们使用多个大型静止状态FMRI数据集评估SWIFT，包括人类连接群落项目（HCP），青少年脑认知发展（ABCD）和UK Biobank（UKB）数据集，以预测性别，年龄和认知智能。我们的实验结果表明，Swift的表现优于最新的最新模型。此外，通过利用其端到端的学习能力，我们表明，基于对比的基于损失的自我监管的SWIFT预训练可以提高下游任务的性能。补充 - 我们采用可解释的AI方法来识别与性别分类相关的大脑区域。据我们所知，Swift是第一个以端到端方式处理维数时空脑功能数据的Swin Transformer架构。我们的工作在神经科学研究中促进功能性脑成像的可扩展学习方面具有巨大的潜力，通过减少与将变压器模型应用于高维fMRI相关的障碍。项目页面：https：//github.com/transconnectome/swift
EEG-fMRI 融合研究
看到社交触摸会触发强烈的社交情感反应，涉及多个大脑网络，包括视觉、社交感知和躯体感觉系统。先前的研究已经确定了每个系统的具体功能作用，但对信息流的速度和方向性知之甚少。这些信息是通过社交感知系统提取的，还是通过躯体感觉皮层的模拟提取的？为了解决这个问题，我们检查了观察到的触摸的时空神经处理。21 名人类参与者（7 名男性）在脑电图 (EEG) 记录期间观看了显示社交和非社交触摸的 500 毫秒视频片段。视觉和社会情感特征在大脑中迅速提取，分别在视频开始后 90 毫秒和 150 毫秒开始。将 EEG 数据与我们之前研究中使用相同刺激的功能性磁共振成像 (fMRI) 数据相结合，发现神经信息首先出现在早期视觉皮层 (EVC) 中，然后出现在颞顶交界处和后颞上沟 (TPJ/pSTS) 中，最后出现在躯体感觉皮层中。EVC 和 TPJ/pSTS 独特地解释了 EEG 神经模式，而躯体感觉皮层本身并不能解释 EEG 模式，这表明社会情感信息可能从 TPJ/pSTS 流向躯体感觉皮层。总之，这些发现表明，社交触觉在前馈视觉过程的时间范围内被快速处理，并且触觉的社会情感意义首先由社交感知通路提取。如此快速地处理社交触觉可能对于其在社交互动过程中的有效使用至关重要。
减轻fMRI至...
尽管现有的fMRI到图像重建方法可以预测高质量的图像，但它们并未明确考虑训练和测试数据之间的语义差距，从而导致具有不稳定和不确定语义的重建。本文通过明确减轻语义差距来解决广义fMRI到图像重建的问题。具体来说，我们利用预先训练的剪辑模型将训练数据映射到紧凑的特征表示形式，该图表将训练数据的稀疏语义扩展到密集数据，从而避免了附近已知概念的实例（即训练超级杆）的语义差距。受FMRI数据中强大的低级表示的启发，这可以帮助减轻远离已知概念（即在培训超级阶级之外）的情况的语义差距，我们利用结构信息作为一般提示来指导图像重建。此外，我们基于概率密度估计来提出语义不确定性，并通过在扩散过程中自适应地整合e xpanded s emantics和s弹性信息（GESS），从而实现了g耗电fMRI到图像的重建。实验结果表明，所提出的GESS模型优于最先进的方法，我们提出了一种广义的场景拆分策略，以评估GESS在缩小语义差距方面的优势。我们的代码可在https://github.com/duolala1/gess上找到。
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)