XiaoMi-AI文件搜索系统
World File Search Systemrois
在自闭症谱系障碍的高和低风险的婴儿中，探索6个月以24个月的6个月的语言结果与语言结果的关系：一种初步的功能性近红外光谱研究
对自闭症谱系障碍（ASD）高家族风险的婴儿（ASD）的语言障碍风险增加。研究表明，非典型的大脑对语音的反应与该人群的语言障碍有关，但很少有人纵向检查这种关系。我们使用功能性的近红外光谱（FNIRS）来研究自闭症的6个月大婴儿（HRA）和低风险（LRA）的语音处理的神经相关性。我们还评估了在6个月时大脑对语音的反应与24个月的口头发育商（VDQ）评分之间的关系。LRA婴儿对双侧前区域（ROI）的脑反应更大，而HRA婴儿在所有ROI中均表现出相似的大脑反应。与LRA婴儿相比，后来被诊断为ASD的HRA +婴儿在双侧前ROI中脑反应降低，而后来未被诊断为ASD的HRA-婴儿在右后ROI中脑反应增加。左前ROI的大脑反应更大，仅预测LRA婴儿的VDQ得分。的发现突出了分别研究HRA +和HRA-婴儿的重要性，并暗示了与语言功能无关的不同，更分布的神经系统在HRA婴儿中进行语音处理。
学习融合多个大脑功能网络以实现自闭症的自动识别
摘要：功能连接网络（FCN）已成为识别脑功能障碍（如自闭症谱系障碍（ASD））潜在生物标志物的常用工具。由于其重要性，研究人员提出了许多从静息态功能磁共振（rs-fMRI）数据估计FCN的方法。然而，现有的FCN估计方法通常仅捕获大脑感兴趣区域（ROI）之间的单一关系，例如线性相关、非线性相关或高阶相关，因此无法对大脑中ROI之间的复杂相互作用进行建模。此外，此类传统方法以无监督的方式估计FCN，并且估计过程独立于下游任务，这使得难以保证ASD识别的最佳性能。为了解决这些问题，本文提出了一种基于rs-fMRI的ASD分类多FCN融合框架。具体而言，对于每个受试者，我们首先使用不同的方法估计多个FCN，以从不同角度编码ROI之间的丰富相互作用。然后，我们使用标签信息（ASD 与健康对照 (HC)）来学习一组融合权重，以衡量这些估计的 FCN 的重要性/区分度。最后，我们将自适应加权融合 FCN 应用于 ABIDE 数据集，以从 HC 中识别出患有 ASD 的受试者。提出的 FCN 融合框架易于实现，与传统和最先进的方法相比，可以显著提高诊断准确性。
成年生命周期中大脑整体信号拓扑的时空去分化
图 1 全局信号 (GS) 拓扑的时空分布及其随年龄变化的时空去分化。面板 (a)，左：所有受试者的 GS 与局部信号之间的总平均一致性（热图）以及所有感兴趣区域 (ROI) 的平均一致性（折线图）。右：GSCORR 与年龄（热图）之间的相关性以及所有 ROI 的平均相关系数（折线图）。颜色条上带有星号的红色值表示显著 Z 值的阈值（FDR 校正，q < 0.05）。中间：GSCORR 与 GS 拓扑随年龄变化 (GS-TV) 之间的相关性，即 GS 拓扑随年龄变化的整体时空去分化。面板 (b)：每个 ROI 的时间去分化，具有去分化（负）和分化（正）趋势。图 (c)：各频率的空间去分化（负值）以及相应的去分化带散点图。红色虚线表示显著相关的阈值（FDR 校正，q < 0.05）。显著的 Z 值（P < 0.05，FDR 校正）用星号 (*) 表示。
精准模块诱导脑网络构建用于功能磁共振成像轻度认知障碍识别
简介：从功能性磁共振成像 (fMRI) 数据估计的功能性脑网络 (FBN) 已成为计算机辅助诊断神经系统疾病的一种潜在有用方法，例如轻度认知障碍 (MCI)，阿尔茨海默病 (AD) 的前驱阶段。目前，皮尔逊相关系数 (PC) 是构建 FBN 最广泛使用的方法。尽管它很流行且简单，但传统的基于 PC 的方法通常会产生密集的网络，其中感兴趣区域 (ROI) 紧密连接。这不符合 ROI 在大脑中可能稀疏连接的生物学先验。为了解决这个问题，先前的研究提出采用阈值或 l_1 正则化器来构建稀疏的 FBN。然而，这些方法通常会忽略丰富的拓扑结构，例如模块化，而模块化已被证明是提高大脑信息处理能力的重要特性。
从内在的大脑形态和功能连接的信任倾向的预测
图3基于GMV的预测模型的贡献区域。（a）基于GMV的预测模型确定了13个贡献区域（即，利益区域，ROI，ROIS），绘制了群集大小为体素数。颜色表示不同的大脑网络模块。（b）模块化分析确定了相同颜色所示的ROI的三个稳定模块（默认模式网络，DMN，蓝色；中央执行网络，CEN，黄色；和动作感知网络，APN，RED）在连通性密度含量下，范围为0.26至0.50，增量为0.01。（c）连通性密度为0.40的三个网络模块的弹簧状布局显示了每对节点之间的欧几里得距离，反映了图理论距离和线的厚度，反映了边缘的连接强度。（d）连通性密度为0.40的功能连通性矩阵（通过模块对ROI进行排序）显示边缘内部比模块之间更强的边缘强度。（e）与每个模块相关的前四个心理主题显示功能解码曲线的对数比值比。ifg，下额回（腹外侧前额叶皮层，VLPFC）; MFG，中部额回（背侧前额叶皮层，DLPFC）; mog，中枕回； prcg，前中央回； POCG，中心后回； precuneus； SFG，上额回（背部前额叶皮层，DMPFC）； SMG;超边缘回； SPL，上顶叶； STG，上级颞回
用于连接体的可解释图神经网络......
摘要。人类大脑是复杂神经生物系统的核心，其中的神经元、电路和子系统以神秘的方式相互作用。了解大脑的结构和功能机制一直是神经科学研究和临床疾病治疗的有趣追求。将人类大脑的连接映射为网络是神经科学中最普遍的范例之一。图神经网络 (GNN) 最近成为一种对复杂网络数据进行建模的潜在方法。另一方面，深度模型的可解释性较低，这阻碍了它们在医疗保健等决策关键环境中的使用。为了弥补这一差距，我们提出了一个可解释的框架来分析特定于疾病的兴趣区域 (ROI) 和突出的连接。所提出的框架由两个模块组成：一个面向大脑网络的疾病预测骨干模型和一个全局共享的解释生成器，该生成器突出显示特定于疾病的生物标志物，包括显着的 ROI 和重要连接。我们对三个真实的脑部疾病数据集进行了实验。结果验证了我们的框架可以获得出色的性能并识别有意义的生物标志物。该工作的所有代码均可在 https://github.com/HennyJie/IBGNN 上找到。
用于基于连接组的脑部疾病分析的可解释图神经网络
摘要。人类大脑是复杂神经生物系统的核心，其中的神经元、电路和子系统以神秘的方式相互作用。了解大脑的结构和功能机制一直是神经科学研究和临床疾病治疗的有趣追求。将人类大脑的连接映射为网络是神经科学中最普遍的范例之一。图神经网络 (GNN) 最近成为一种对复杂网络数据进行建模的潜在方法。另一方面，深度模型的可解释性较低，这阻碍了它们在医疗保健等决策关键环境中的使用。为了弥补这一差距，我们提出了一个可解释的框架来分析特定于疾病的兴趣区域 (ROI) 和突出的连接。所提出的框架由两个模块组成：一个面向大脑网络的疾病预测骨干模型和一个全局共享的解释生成器，该生成器突出显示特定于疾病的生物标志物，包括显着的 ROI 和重要连接。我们对三个真实的脑部疾病数据集进行了实验。结果验证了我们的框架可以获得出色的性能并识别有意义的生物标志物。该工作的所有代码均可在 https://github.com/HennyJie/IBGNN.git 上找到。
下一代人类大脑组织学图谱及其在自动脑部 MRI 分割中的应用
图 1：组织学图谱中的 NextBrain，具有优点（）、缺点（）和中立点。（）。（A）打印的图谱 [1]，其中包含一组稀疏的手动追踪切片 [1]。（BG）覆盖范围有限的特定 ROI 的组织学图谱：（B）手动追踪的基底神经节切片 [8]；（C）确定性丘脑图谱的 3D 渲染 [11]；（DF）追踪的 MRI 切片、组织学切片和海马图谱的 3D 渲染 [12]；（G）我们的丘脑概率图谱切片 [14]。（HN）整个人脑的组织学图谱：（H）BigBrain 的 3D 重建切片 [13]；（I）MNI 模板上的 Julich-Brain 标签切片； (J) 标记的 Allen 参考脑组织学切片 [7]；(K) 使用受 (J) 启发的协议标记 MNI 模板；(LN) AHEAD 脑的 MRI、组织学和 3D 渲染 [22]。(OS) 我们的新图谱 NextBrain 包括五个标本的密集 3D 组织学 (OP) 和全面的手动标记 (Q)，从而可以构建概率图谱 (R)，该图谱可与贝叶斯技术相结合，自动标记体内 MRI 扫描中的 333 个 ROI (S)。
面向基于工作量的自适应自动化：fNIRS 在测量大脑中多种资源负荷方面的效用 Leanne M. Hirshfield a,b *, Chr
(1) 参与者应执行现实世界人机交互中典型的复杂任务。 (2) 应以可控的方式通过实验操纵工作量，以施加更大或更小的认知需求（不仅仅是打开/关闭负载），以评估不同负载水平对特定资源的敏感性。 (3) 研究应侧重于多资源结构中的不同特定资源，从而检查诊断性 (4) 应通过包括其他工作量测量来确保实验任务操作的有效性，例如自我报告工作量、响应时间、表现和瞳孔直径。 (5) 为了进一步检查测量的诊断性，研究人员应测量多个功能性大脑感兴趣区域 (ROI)，理想情况下将其映射到实验设计中确定的多个资源上，以确定特定 ROI 是否对工作量操纵具有不同的敏感性，假设通过增加那里的激活来反映。 (6) 应通过 HbR 和 HbO 的两种不同的 fNIRS 测量来探索激活的增加。 (7) 最后，研究应具有足够的统计能力和合适的 N。