XiaoMi-AI文件搜索系统
World File Search Systemrois
与局灶性肌肉振动相关的皮质活性直接应用于势后患者的前臂屈肌：FNIRS研究
方法：为这项研究选择了22例右偏瘫患者进行康复康复的患者。使用块设计范式从受试者中收集了FNIRS数据。随后，使用NIRSPARK软件分析了收集的数据，以确定任务中每个感兴趣的皮质区域（ROI）的平均氧降压蛋白（HBO）浓度和每个受试者的休息状态。刺激任务是直接应用于受影响侧的屈肌腕radialis肌（FCR）的FMV（频率60 Hz，振幅6 mm）。HBO在大脑皮层中的六个兴趣区域（ROI）中进行测量，其中包括双侧前额叶皮层（PFC），感觉运动皮层（SMC）和枕皮层（OC）。同时对患者的临床特征进行评估，包括Lovett的6级肌肉力量评估，临床肌肉张力评估，Fugl-Meyer评估（FMA-EU）的上肢功能项目（FMA-EU），Bruunstrom登台量表（BRS）和Barthel Index（MBI）。统计分析以确定ROI的激活，并理解其与患者的临床特征的相关性。
静息态功能连接对中风后上肢功能结果的影响：一项功能性近红外光谱研究
方法：纳入 49 名患有皮质下病变的亚急性（2 周 − 6 个月）脑卒中患者，根据 FMA-UE 评分分为三组：轻度损伤（n = 17）、中度损伤（n = 13）和重度损伤（n = 19）。所有患者均接受 FMA-UE 评估和 10 分钟静息态 fNIRS 监测。在 7 个 ROI 上记录 fNIRS 信号：双侧背外侧前额皮质（DLPFC）、中部前额皮质（MPFC）、双侧初级运动皮质（M1）和双侧初级体感皮质（S1）。通过每个通道与每个 ROI 对之间的相关系数计算功能连接（FC）。为了揭示三组之间 FC 的综合差异，我们比较了组水平和 ROI 水平的 FC。此外，为了确定不同 ROI 之间的 FMA-UE 评分与 RSFC 之间的关联，我们进行了 Spearman 相关性分析，显著性阈值为 p < 0.05。为了便于比较，我们在 MATLAB R2013b 中将左半球定义为同侧半球，并将病变右半球翻转。
用户手册
13 ROI 81 13.1 形态（组）. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 13.2 去除“椒盐”伪影. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 13.3 来自 2D 轮廓的联合圆柱体. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...
fMRI分析的可解释的脑形神经网络
摘要。了解某些大脑区域与特定神经系统疾病或认知刺激的关系是神经成像研究的重要领域。我们提出了Braingnn，即图形神经网络（GNN）框架，以分析功能磁共振图像（fMRI）并发现神经生物标志物。考虑到大脑图的特殊特性，我们设计了利用fMRI的拓扑和功能信息的新型Roi Aware图（RA-GCONV）层。以医学图像分析需要透明度的启发，我们的Braingnn包含ROI选择池层（R-池），突出显示了显着的ROI（图中的节点），因此我们可以推断哪些ROI对预测很重要。此外，我们提出了正则化项 - 单位损失，TOPK PORING（TPK）损失和组水平一致性（GLC）损失 - 在汇总结果上鼓励有理由ROI选择，并提供灵活性，以保留个人或组级别的模式。我们将BRAINGNN框架应用于两个独立fMRI数据集：自闭症谱障碍（ASD）fMRI数据集和人类Connectome Project（HCP）900主题释放。我们投资超参数的不同选择，并表明Braingnn在四个不同的评估指标方面优于替代fMRI图像分析方法。获得的社区聚类和显着的ROI检测结果表明，与ASD和特定任务状态为HCP解码的ASD和特定任务状态的生物标志物的先前神经成像衍生的证据相应很高。
气候变化期间的定量水管理，领土笔记本
用户实践的做法，无论是饮用水的消费者还是农民，即使这些用途是通货膨胀主义者，因为他们的发展欠发达，但这些习惯也可以干预利润。人口的增加以及与气候变化有关的农作物的水需求。但是，已经检查了该领域的实践修改的罕见例子，显示了资源的明显改善，因此已经检查了水发育模式（Sage）1的有希望的性质：RhôneAval（Sirra）的Isérois联合（Sirra），DrômeRiver（SMRD）和Drôme部的混合联盟。国家的服务和公共场所，部门领土局（DDT），区域局，环境，规划和住房（DREAL）和RhôneMéditerranéeCorse（AERMC）也是一项调查的主题。这些控制措施被整合到气候变化时期定量水管理的金融管辖区调查中。本笔记本是由调查引起的主题公开报告的附件，该报告在国家一级建立了观察结果。
基于深度学习的医学图像分析综述
医学图像分析的主要目标是识别解剖结构的患病区域，以便医生更好地了解病变的进展情况。医学图像分析涉及四个主要阶段：(1) 图像预处理；(2) 分割；(3) 特征提取；(4) 模式识别或分类。预处理是增强图像信息以便进行后续处理或消除照片中不需要的失真的过程。将区域（例如肿瘤和器官）分离以进行进一步研究的技术称为分割。特征提取是从感兴趣区域 (ROI) 中仔细选择信息以帮助识别它们的过程。分类有助于根据提取的特征对 ROI 进行分类 [2][3]。
TEV蛋白酶的工程进行生物系统操纵
Abbreviations: Alzheimer's Disease (AD), amnestic Mild Cognitive Impairment (aMCI), Healthy Controls (HCs), Healthy Volunteers (HVs), fatty acids (FAs), polyunsaturated fatty acids (PUFAs), monounsaturated fatty acids (MUFAs), saturated fatty acids (SFAs), High- Affinity Binders (HABs), Mixed-Affinity Binders (MABs), Low-Affinity Binders (LABs), central nervous system (CNS), 18-kDa Translocator Protein (TSPO), region(s) of interest (ROIs), N-acetyl-N-(2-[18F]fluoroethoxybenzyl)-2-phenoxy-5-pyridinamine ([18F]-FEPPA), positron排放断层扫描（PET），白介素（IL），细胞因子（CK），eicosapentaenoic酸（EPA），Docosahexaenoic（DHA），亚油酸（LA），亚麻酸（LNA），thumor Necrosis Necrosis-necrosis-α（TNF-α）（TNF-α），Interlecin inner interlies Interlies intre inur-inter-inter-inur-1b（beinter-neur-1b（IL-1B）， - 1B（IL-1B），1B（iil-1B），1B（iil-1b），1B（iil-1b），1B（iil-1B） （BDNF）和肿瘤生长因子-B（TGF-B）。
多模态刺激的多模态大脑编码模型
图 3：整个大脑和语言（AG、PTL 和 IFG）、视觉（EVC、SV 和 MT）和听觉皮层（AC）的多个 ROI 中的多模态和个体模态特征的视频和音频模态的平均归一化大脑对齐。误差线表示参与者平均值的标准误差。∗ 表示多模态嵌入明显优于单模态视频模型（VM）的情况，即 p ≤ 0.05。∧ 表示多模态嵌入明显优于单模态语音模型（SM）的情况，即 p ≤ 0.05。3
时空相似性措施基于多任务学习，用于使用MRI数据预测阿尔茨海默氏病进展
摘要 - 识别和利用各种生物标志物跟踪阿尔茨海默氏病（AD）的进展已受到许多最近的关注，并使帮助临床医生迅速做出了迅速的决定。传统的进程模型着重于从MRI/PET图像（例如区域平均皮质厚度和区域量）中提取感兴趣区域（ROI）中的形态生物标志物（ROI）。它们是有效的，但忽略了随着时间的流逝，大脑ROI之间的关系会导致协同的恶化。用于探索这些生物标志物之间的协同恶化关系，在本文中，我们提出了一种新型时空相似性度量的多任务学习方法，可有效预测AD的进展并敏感地捕获生物标志物之间的关键关系。特别是，我们首先定义了一个时间量度，用于估计生物标志物变化随时间变化的幅度和速度，这表明趋势变化（时间）。将这一趋势转换为矢量，然后我们比较了统一的矢量空间（空间）中生物标志物之间的这种变异性。实验结果表明，与直接基于ROI的特征学习相比，我们提出的方法在预测疾病进展方面更有效。我们的方法还使执行纵向稳定性选择以确定生物标志物之间不断变化的关系，这些关系在疾病进展中起着关键作用。我们证明，皮质体积或表面积之间的协同恶化的生物标志物对认知预测具有显着影响。索引术语 - Alzheimer疾病，脑生物标志物相关性，余弦相似性，多任务学习
通过联合...融合多视图功能脑网络
摘要：背景：基于静息态功能磁共振成像（rs-fMRI）的功能性脑网络（FBN）在识别脑部疾病，如自闭症谱系障碍（ASD）方面显示出巨大的潜力。因此，近年来提出了许多FBN估计方法。现有的大多数方法仅从单一视角对大脑感兴趣区域（ROI）之间的功能连接进行建模（例如，通过特定策略估计FBN），无法捕捉大脑中ROI之间的复杂相互作用。方法：为了解决这个问题，我们提出通过联合嵌入融合多视角FBN，这可以充分利用通过不同策略估计的多视角FBN的共同信息。更具体地说，我们首先将用不同方法估计的FBN的邻接矩阵堆叠成一个张量，并使用张量分解来学习每个ROI的联合嵌入（即所有FBN的共同因子）。然后，我们使用 Pearson 相关性计算每个嵌入 ROI 之间的连接，以重建新的 FBN。结果：使用 rs-fMRI 数据在公共 ABIDE 数据集上获得的实验结果表明，我们的方法优于自动 ASD 诊断中的几种最新方法。此外，通过探索对 ASD 识别贡献最大的 FBN“特征”，我们发现了 ASD 诊断的潜在生物标志物。所提出的框架实现了 74.46% 的准确率，通常优于比较的单个 FBN 方法。此外，与其他多网络方法相比，我们的方法实现了最佳性能，即准确率提高了至少 2.72%。结论：我们提出了一种通过联合嵌入的多视图 FBN 融合策略，用于基于 fMRI 的 ASD 识别。从特征向量中心性的角度来看，所提出的融合方法有一个优雅的理论解释。