目的:开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法:一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集,我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果:在受试者工作特征曲线上,我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC(特异性 > 0.9)。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下,灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论:利用深度学习,我们开发了一种高性能、患者非特异性算法,用于检测颅内电极上的 mTL 癫痫样放电。意义:我们的算法有许多潜在应用,可用于了解 mTL 癫痫样放电对癫痫和认知的影响,以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版,保留所有权利。
摘要目的:提出一种使用深度学习框架直接从正弦图中检测和分类颅内出血 (ICH) 的自动化方法。该方法旨在通过消除耗时的重建步骤并最大限度地减少计算机断层扫描 (CT) 重建过程中可能出现的潜在噪音和伪影来克服传统诊断的局限性。方法:本研究提出了一种使用深度学习框架从正弦图中检测和分类 ICH 的两阶段自动化方法。该框架的第一阶段是强度变换正弦图合成器,它合成与强度变换 CT 图像等效的正弦图。第二阶段包括级联卷积神经网络-循环神经网络 (CNN-RNN) 模型,该模型可从合成的正弦图中检测和分类出血。 CNN 模块从每个输入的正弦图中提取高级特征,而 RNN 模块提供正弦图中邻域区域的空间相关性。在一个包含 8652 例患者的大型样本的公开 RSNA 数据集上对所提出的方法进行了评估。结果:结果表明,与 ResNext-101、Inception-v3 和 Vision Transformer 等最新方法相比,所提出的方法在患者准确率上显着提高了 27%。此外,与基于 CT 图像的方法相比,基于正弦图的方法对噪声和偏移误差的鲁棒性更高。还对所提出的模型进行了多标签分类分析,以从给定的正弦图中确定出血类型。还使用激活图检查了所提出模型的学习模式的可解释性。结论:所提出的基于正弦图的方法可以准确、高效地诊断 ICH,无需耗时的重建步骤,并有可能克服基于 CT 图像的方法的局限性。结果显示,使用基于正弦图的方法检测出血的效果良好,进一步的研究可以探索该方法在临床环境中的潜力。
古老的Schwannomas是Ackerman和Taylor最初描述的Schwannomas的良性良性罕见组织学变种。[1]这些肿瘤长期存在,随着变化的变化而长期增长。通常,这些肿瘤显示出核非典型,高细胞区域以及回归变化,包括钙化,囊性形成,出血,纤维化和透明度在组织病理学上。这些特征与恶性肿瘤非常相似,但是,存在胶囊,出血区域,退化性变化以及有丝分裂活性的不存在,支持肿瘤的良性性质。[8]在免疫组织化学染色上,这些肿瘤对S100蛋白呈阳性,这是将良性schwannomas与其他高级或恶性病变区分开的重要标志。[6]涉及三叉神经颅内部分的古老schwannomas极为罕见,在文献中仅报道了两次。[3,11]
颅内出血可能代表影响新生儿发病率和死亡率的围产期并发症。存在非常差的数据,关于IV型胶原蛋白A1链(COL4A1)基因的突变与颅内出血的发展之间存在可能的关联,并且只有零星的报告侧重于子宫内发生的脑出血,或者是在具有这种突变的婴儿的新生儿期间已经发展的。这项研究提出了一系列受颅内出血影响的术语新生儿,没有明显的风险因素来发展这种情况,它们是COL4A1基因变异的载体。这项研究还提供了有关该主题的最新科学文献的回顾,该文献尤其焦点是与围产期有关的可用科学数据。
尽管十多年来取得了令人鼓舞的成果,但用于治疗药物难治性癫痫 (DRE) 的闭环神经刺激仍然依赖于手动参数调整,并且会产生不可预测的变化结果,而全自动算法仍然只是理论上的可能性。在这项工作中,我们研究了在参数丰富的神经刺激下人类颅内脑电图 (iEEG) 反应的预测动力学模型,并开发了预测准确且生物学上可解释的模型。使用来自 n = 13 名受试者的数据,我们表明,诱发的 iEEG 动态最好通过具有约 300 毫秒的因果历史依赖性的刺激触发切换线性模型来解释。这些模型在刺激幅度和频率(包括 STIM OFF 持续时间)方面高度一致,这使得可以从丰富的 STIM OFF 和有限的 STIM ON 数据中学习单个可推广的模型。在受试者中,我们观察到一致的距离依赖模式,即刺激直接影响驱动点和附近区域(≲ 20 毫米),几乎没有或根本没有网络介导,通过网络交互间接到达中距离区域(20 ∼ 100 毫米),几乎无法到达更远端区域(≳ 100 毫米)。网络交互的峰值参与发生在距离刺激点约 60-80 毫米处。由于其预测准确性和机制可解释性,这些模型在基于模型的癫痫发作预测和闭环神经刺激的刺激设计中具有深远的应用。
血源性播散是导致脑转移的最常见转移方式;这意味着即使只看到一个颅内病变,整个大脑都可能受到微转移性疾病的影响。 [2] 最近,人们对这一前提产生了怀疑,导致一种反向哲学的出现,认为在某些患者中,颅骨内的疾病仅限于少数转移瘤,这种状态称为寡转移。 [2] 治疗脑转移常用的两种主要方法是对症干预和治疗干预。对症治疗通常包括使用皮质类固醇来减少肿瘤周围肿胀和使用抗惊厥药来防止癫痫复发。脑转移的治疗方案包括手术干预、全脑放射治疗 (WBRT)、立体定向放射外科 (SRS) 和化疗。多名患者会接受多种治疗方案的组合,治疗决策必须基于多个方面,例如患者的年龄和功能能力、初始肿瘤的类型、脑外疾病的程度、之前的治疗方法以及脑内病变的数量。[6]
根据面部感知的经典观点( Bruce and Young, 1986 ; Haxby et al., 2000 ),面部身份和面部表情识别由不同的神经基质(分别为腹侧和外侧颞叶面部选择区域)执行。然而,最近的研究挑战了这一观点,表明表达效价也可以从腹侧区域解码( Skerry and Saxe, 2014 ; Li et al., 2019 ),身份也可以从外侧区域解码( Anzellotti and Caramazza, 2017 )。如果专门负责一项任务(身份或表情)的区域包含另一项任务的少量信息(从而实现高于机会的解码),则这些发现可以与经典观点相一致。在这种情况下,我们预计侧面区域的表征与经过训练以识别面部表情的深度卷积神经网络 (DCNN) 中的表征更相似,而不是经过训练以识别面部身份的 DCNN 中的表征(对于腹侧区域,情况应该相反)。我们通过分析对不同身份和表情的面部的神经反应来检验这一假设。将从人类颅内记录(n = 11 名成年人;7 名女性)计算得出的表征相异矩阵 (RDM) 与经过训练以标记身份或表情的 DCNN 的 RDM 进行了比较。我们发现,在所有测试区域中,经过训练以识别身份的 DCNN 的 RDM 与颅内记录的相关性更强——即使在传统上假设专门用于表情的区域也是如此。这些结果偏离了传统观点,表明面部选择性腹侧和侧面区域有助于身份和表情的表征。
1 波士顿学院心理学系,美国马萨诸塞州波士顿 02467 16 2 卡内基梅隆大学和匹兹堡大学认知神经基础中心,宾夕法尼亚州匹兹堡 15213 18 3 卡内基梅隆大学神经科学研究所,宾夕法尼亚州匹兹堡 15213 19 4 卡内基梅隆大学机器学习系,宾夕法尼亚州匹兹堡 20 15213 21 5 匹兹堡大学医学中心神经外科系,宾夕法尼亚州匹兹堡 22 15213 23 6 麻省总医院神经外科系,马萨诸塞州波士顿 24 02144 25 7 哈佛医学院,马萨诸塞州波士顿 02115 26 8 匹兹堡大学神经科学中心,宾夕法尼亚州匹兹堡15213 27 ∗ 通讯作者 28 电子邮件:stefano.anzellotti@bc.edu (SA) 29 30 31 页数:35 32 图表数量:5 33 表格数量:1 34 多媒体数量:0 35 3D 模型数量:0 36 摘要字数:242 37 意义陈述字数:120 38 介绍字数:779 39 讨论字数:2093 40 利益冲突:作者报告没有利益冲突。 41 致谢:本研究得到了美国国家科学基金会职业资助 1943862(SA)、美国国立卫生研究院 R01MH107797 和 R21EY030297(AG)以及美国国家科学基金会 1734907(AG)的职业资助。我们要感谢参与 iEEG 实验的患者以及 UPMC 长老会癫痫监测部门的工作人员和管理人员对我们研究的协助和合作。我们感谢 Michael Ward 对数据收集的帮助。49
术中治疗的标准形式(即,白光照明下的肿瘤组织切除,WLI)。3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点,超出了非态性局部硬化性肿瘤质量,这显着地使任何形式的治疗部门都伴随着治疗的效果,尤其是在整个手术方面的影响(如果有帮助的情况下),因为该组织的差异(如果有帮助),因为该组织有帮助,因为这种疾病的范围是在质地上的差异)图像删除的术中和术中成像方式(即 ,图像未实时获取)。 此外, GBM表现出相当大的肿瘤内和间异质性,在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。 6靶向脑部疾病,例如GBM,具有小分子或生物学疗法,因为存在Nicky Nicky半渗透的血脑屏障(BBB),因此正在挑战。 BBB表现出极低的溶质渗透性,这有助于维持脑稳态。 因此,术前和术后治疗3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点,超出了非态性局部硬化性肿瘤质量,这显着地使任何形式的治疗部门都伴随着治疗的效果,尤其是在整个手术方面的影响(如果有帮助的情况下),因为该组织的差异(如果有帮助),因为该组织有帮助,因为这种疾病的范围是在质地上的差异)图像删除的术中和术中成像方式(即,图像未实时获取)。GBM表现出相当大的肿瘤内和间异质性,在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。6靶向脑部疾病,例如GBM,具有小分子或生物学疗法,因为存在Nicky Nicky半渗透的血脑屏障(BBB),因此正在挑战。BBB表现出极低的溶质渗透性,这有助于维持脑稳态。因此,术前和术后治疗
由算法确定标签。根据决策树,在从 Haralick 特征(30)和图像矩(即中心矩、原始矩、归一化中心矩和 Hu 矩)中评估的 50 个因素中,来自 Haralick 特征的熵和方差以及图像中的中心矩特征是决定标签的最有效因素。在图像处理中,图像矩是图像像素强度的加权平均值(矩),或此类矩的函数,通常选择具有某些有吸引力的特性或解释。通过图像矩找到的图像的简单属性包括面积(或总强度)、其质心以及有关其方向的信息。另一方面,熵测量图像直方图的强度,它显示图像中不同灰度级的概率。