XiaoMi-AI文件搜索系统
World File Search Systemrois
PTGB：用于脑网络分析的预训练图神经网络
人脑是神经生物系统的中央枢纽，以复杂的方式控制行为和认知。神经科学和神经影像分析的最新进展表明，人们对大脑感兴趣区域（ROI）之间的相互作用及其对神经发育和疾病诊断的影响越来越感兴趣。作为分析图结构数据的强大深度模型，图神经网络（GNN）已被应用于脑网络分析。然而，训练深度模型需要大量标记数据，由于数据获取的复杂性和共享限制，这些数据在脑网络数据集中往往很少。为了充分利用可用的训练数据，我们提出了 PTGB，这是一个 GNN 预训练框架，它可以捕捉内在的脑网络结构，而不管临床结果如何，并且很容易适应各种下游任务。 PTGB 包含两个关键组件：（1）专为大脑网络设计的无监督预训练技术，能够从没有特定任务标签的大规模数据集中学习；（2）数据驱动的分区图谱映射管道，可促进具有不同 ROI 系统的数据集之间的知识转移。使用各种 GNN 模型进行的广泛评估表明，与基线方法相比，PTGB 具有稳健且卓越的性能。
端到端揭示的行为簇
使用头部安装的微型显微镜在体内钙像中实现了几周来自由表现动物的神经种群的跟踪活动。先前的研究着重于从神经元种群中推断行为，但是在内窥镜数据中提取过量荧光的神经元信号具有挑战性。存在分析管道包括利益区域（ROI）识别区域，可能会因假否定性而失去相关信息或从假阳性引入意外偏见。这些方法通常需要进行参数调整的先验知识，并且需要耗时以进行实施。在这里，我们开发了一个端到端解码器，以直接从原始的微观镜面图像预测行为变量。我们的框架几乎不需要用户输入，并且胜过需要ROI提取的现有解码器。我们表明，神经/背景残差带有与行为相关的附加信息。视频分析进一步揭示了残留物与细胞之间的最佳解码窗口和动力学。至关重要的是，显着性图揭示了我们解码器中视频分解的出现，并确定代表不同行为方面的不同集群。一起，我们提出了一个框架，该框架对微观镜面成像的解码行为有效，并可能有助于发现各种成像研究的功能聚类。
同时奖励对大脑厌恶信息加工的影响
单独处理食欲和厌恶信息的神经网络已经得到很好的描述。然而，大脑如何整合与同时出现的食欲和厌恶信息相关的竞争信号尚不清楚。特别是，尚不清楚同时出现的奖励如何调节整个大脑对厌恶事件的处理。在这里，我们在 fMRI 研究中利用四臂老虎机任务来测量在同时收到和不同时收到金钱奖励的情况下厌恶电击的表现。使用感兴趣区域 (ROI) 方法，我们首先确定了厌恶电击体验激活的区域，然后使用独立数据测量这种与电击相关的激活如何受到同时出现的奖励的调节。根据先前的文献和我们自己的初步数据，分析集中在背外侧前额叶皮层、前脑岛和后脑岛、前扣带皮层以及丘脑和体感皮层。我们假设这些 ROI 中对惩罚的神经反应会因同时存在的奖励而减弱。然而，我们没有发现任何 ROI 中同时存在的奖励会减弱对惩罚的神经反应的证据，也没有在探索性分析中发现同时存在的惩罚会减弱对奖励的神经反应的证据。总之，我们的发现与以下观点一致：负责处理奖励和惩罚信号的神经网络在很大程度上是彼此独立的，并且整体价值或效用的表示是通过在信息处理的后期阶段整合单独的奖励和惩罚信号而得出的。
EEG心理计量学研究
摘要：背景：在压力的情况下，为了克服不愉快的情绪，个人试图通过情绪调节策略（例如认知能力重新评估，互认为和正念）来管理压力。方法：26个健康的成年人接受了Trier社会压力测试的修改版本（称为社会压力测试，SST），同时监测了电生理（EEG）活性。参与者在此之前还填写了自我报告调查表，包括五个方面的正念问卷调查表（FFMQ），对跨性别意识的多维评估（MAIA），对他人的情绪调节和自我（EROS）以及人际反应性指数（IRI）。在脑电图数据处理中考虑了三个脑部兴趣区域（ROI）：额叶，颞中心和甲状腺皮质。相关分析。结果：结果表明，互感意识，正念和高频EEG频段（Beta，Alpha，Gamma）之间的正面相关性在正面ROI上，表明认知过程增强和情绪调节。相反，情绪调节和同理心衡量与低频EEG乐队（Delta，Theta）的正相关，与改善的社会认知和自上而下的监管过程相关。结论：这些发现表明，压力反应的脑电图相关性与情绪调节机制有关，强调了身体状态意识在管理压力和情绪对整体健康和生活质量方面的重要性。
使用无监督的
摘要：阿尔茨海默氏病（AD）是一种进行性脑部疾病，是一种非常常见的痴呆症形式。神经影像学技术，例如磁共振成像（MRI），可产生大脑的详细3维图像，显示淀粉样蛋白沉积物的见解和作为疾病标志物的炎症改变。使用MRI的AD早期诊断为患者提供了一个很好的机会，可以通过阻止神经细胞的丧失来防止脑部恶化。本文探讨了无监督的聚类方法的使用来早期诊断AD。尽管使用分类技术来识别医疗疾病非常常见，但标记数据的缺乏或不准确性可能会产生问题。在这项工作中，使用基于体素的形态计量学（VBM）特征在MRI图像中提取的特征进行比较。还将选择某些兴趣的某些地方区域（ROI）与全球全脑分析进行了比较。结果表明，所提出的方法可以以76％的精度对AD进行早期诊断。关键词：无监督的学习，聚类，K-均值，K-米类动物，感兴趣的区域（ROI），阿尔茨海默氏病，磁共振成像（MRI）。1。介绍2018年，据报道，全世界有五千万人患有痴呆症。到2050年，这个数字预计将达到1.52亿人[1]。大约有68％的增加，据信属于埃及等低收入和中等收入国家[2]。阿尔茨海默氏病（AD）是一种进行性脑部疾病
一种自上而下注意引导细化的 3D 全卷积神经网络，用于准确、稳健地自动分割杏仁核及其亚核
深度学习的最新进展提高了皮层下脑结构的分割精度，这将有助于许多神经系统疾病的神经影像学研究。然而，现有的大多数基于深度学习的神经影像学方法并没有研究分割极小但重要的脑区（如杏仁核亚核）时存在的具体困难。为了解决这一具有挑战性的任务，我们开发了一个双分支扩张残差 3D 全卷积网络，该网络具有并行卷积，以提取更多全局背景信息并通过保持一个与感兴趣区域 (ROI) 大小相同的小感受野来缓解类别不平衡问题。我们还在并行和串行中进行了多尺度特征融合，以补偿卷积过程中潜在的信息丢失，这对小物体来说非常重要。残差连接实现的串行特征融合通过提出的自上而下的注意力引导细化单元得到进一步增强，其中高分辨率低级空间细节被选择性地集成以补充高级但粗略的语义信息，从而丰富最终的特征表示。因此，与其他基于深度学习的方法相比，我们的方法产生的分割在体积和形态上都更准确。据我们所知，这项工作是第一个以深度学习为目标的杏仁核亚区域方法。我们还证明了使用周期一致的生成对抗网络 (CycleGAN) 协调多站点 MRI 数据的可行性，并表明我们的方法可以很好地推广到从多个中心收集的具有挑战性的创伤性脑损伤 (TBI) 数据集。这似乎是一种有前途的图像分割策略，可用于多站点研究和增加显著脑病理形态学变异性。
o r i g i n a l r e s a r c h磁共振成像基于放射素学的模型，用于预测宫颈癌淋巴结转移
背景：宫颈癌仍然是全球女性死亡率的主要原因，淋巴结转移（LNM）是患者预后的关键决定因素。方法：在这项研究中，分析了2018年1月至2024年1月期间153例宫颈癌患者的MRI扫描。将患者分为两组：103培训队列； 49在验证队列中。放射线特征。ITK-SNAP软件启用了宫颈癌肿瘤区域的三维手动分割，以识别目标区域（ROI）。收集的数据被划分为支持向量机（SVM）模型的培训和验证。结果：基于T2WI和ADC的组合放射线学模型表现出强大的诊断能力，在训练队列中达到曲线下的面积为0.804（95％CI [0.712-0.890]），AUC中的AUC和0.811（95％CI [0.721-0.921-0.902] in act in the训练队伍中的AUC中。包括放射线特征，国际妇科和妇产科联盟（FIGO）阶段和LNM在培训队列中的C-INDEX为0.895（95％CI [0.821-0.962]），在培训队列中的C-指数为0.895（95％CI [0.821-0.962]），在C-INDEX中为0.916（95％CI [0.825-0.987] Intaliatation in nor图）的C-指数为0.895（95％CI [0.821-0.962]），C培训队列中的C-INDEX为0.916（0.916（95％CI）（95％CI [0.825-0.987] Intalians Intecration。C统计数据均高于0.80，并且预测变量几乎与45度线一致，这与校准图中显示的结果一致。这表明我们的模型表现出良好的歧视能力和令人满意的校准。关键词：MRI，放射素学，淋巴结，转移，宫颈癌结论：利用T2WI与ADC地图相结合的MRI放射素学模型，提供了一种预测宫颈癌患者LNM的有效方法。
脑功能连接的协变量辅助主回归的贝叶斯估计
本文在贝叶斯范式中重新表述了赵等人（2021b）的协变量辅助主（CAP）回归。该方法确定了多变量响应数据协方差中与协变量相关的成分。具体而言，该方法估计一组多元响应信号的线性投影，其方差与外部协变量相关。在神经科学中，人们对分析来自大脑不同区域的脑信号时间序列之间的统计依赖性很感兴趣，我们将其称为功能连接（FC）（Lindquist 2008；Fornito 和 Bullmore 2012；Fornito 等人 2013；Monti 等人 2014；Fox 和 Dunson 2015）。功能连接背后的大脑信号是多变量的，在分析功能连接时，每个大脑活动都被视为与其他大脑活动的相对关系（Varoquaux 等人，2010），因为这种统计依赖性与行为特征（协变量）相关。本文开发了一种贝叶斯方法对反应信号进行监督降维，以分析外部协变量与以多变量信号的协方差为特征的功能连接之间的关联。通常，分析大脑功能连接的第一个步骤是定义一组对应于感兴趣的空间区域（ROI）的节点，其中每个节点都与其自己的图像数据时间过程相关联。然后，根据每个节点时间过程之间的统计依赖性（van der Heuvel 和 Hulshoff Pol，2010；Friston，2011），估计网络连接（或节点之间的“边缘”结构）。 FC 网络是使用 Pearson 相关系数（ Hutchison 等人，2013 年）以及部分
基于显着性和卷积神经网络的遥感图像中的飞机检测
应探索当前工业无线传感器网络的新算法和架构，以确保在涉及不同问题的各种应用环境中的效率、稳健性和一致性，例如智能电网、供水和天然气监测。遥感图像中的自动物体检测一直是一个热门话题。使用基于区域提议的传统深度卷积网络进行检测，生成的区域提议中存在许多负样本，这会影响模型的检测精度和效率。显著性利用人类视觉注意机制实现自下而上的物体检测。由于用显著性代替选择性搜索可以大大减少提议区域的数量，我们将使用基于背景先验的遥感图像显著性算法获得一些感兴趣区域 (RoI) 及其位置信息。然后，将位置信息映射到深度卷积神经网络获得的整个图像的特征向量。最后，对每个 RoI 进行分类和微调边界框。在本文中，将我们的模型与目前最先进的检测模型 Fast-RCNN 进行了比较。我们的模型mAP达到了99%，比Fast-RCNN提高了12.4%。另外，我们还研究了不同迭代次数对模型的影响，发现10000次迭代的模型已经具有较高的准确率。最后，我们比较了模型的准确率。
使用 3-D 深度学习模型进行大规模脑功能网络整合以辨别自闭症
目前，自闭症谱系障碍的诊断主要依靠临床医生的症状和行为来判断。但这些方法要求医生具备很高的专业知识，且诊断结果容易受到医生的主观性影响。为了寻找更客观的生物标志物来识别自闭症谱系障碍，许多研究者致力于从遗传学、表观遗传学、身体代谢和神经影像学等角度寻找有效的生物标志物（ Goldani et al., 2014 ）。神经影像学被认为是一种很有前途的非侵入性技术，可以揭示人脑的潜在模式。利用结构磁共振成像（sMRI）、功能磁共振成像（fMRI）和正电子发射断层扫描（PET）等技术，可以将人脑建模为一个复杂的系统，各个区域执行不同的结构和功能。先前的神经影像学研究表明，在神经或精神疾病人群中，大脑的结构和功能连接都会发生交替（ Mueller et al., 2013 ）。在各类检查方法中，fMRI，尤其是记录血氧水平依赖性 (BOLD) 信号变化的静息状态 fMRI (rs- fMRI)，已广泛用于研究阿尔茨海默病 (Qureshi et al., 2019b)、精神分裂症 (Yan et al., 2019) 和 ASD (Abraham et al., 2017) 等精神疾病。功能性磁共振成像数据以高维 (∼ 100 万) 的 4 维矩阵格式组织，包含空间和时间信息。这使得直接利用原始数据作为分类算法的输入成为一项艰巨的任务。为了解决数据的高维性，已经提出了许多降维技术 (Abdi and Williams, 2010; Suk et al., 2015; Soussia and Rekik, 2018)。一些人没有使用原始 fMRI 数据，而是提出了脑功能网络分析来描述感兴趣区域 (ROI) 之间的“关系”。基于脑血流会刷新脑各区域的神经活动这一事实，对功能连接 (FC) 进行建模有助于理解精神障碍的神经基础 (Lindquist, 2008)。最常用的 FC 模型是 Pearson 相关性，可以使用两个脑区之间的 BOLD 信号来计算。脑功能网络 (BFN) 是根据图谱预先定义的所有位置的 FC 强度构建的。BFN 构建方法明确将维数从 4 维降低为 1 维向量。许多机器学习 (ML) 方法已成功用于与 ASD 相关的改变的 BFN 的自动分类 (Uddin 等人，2013；Abraham 等人，2017)。一些方法采用稀疏方法，通过在损失函数中添加额外的稀疏正则化项（例如，Lasso（Tibshirani，1996）或Elastic Net（Zou and Hastie，2005））来实现隐式降维。然而，常用来描述 ROI 之间 FC 的相关性仅捕捉线性关系，不适合表征高阶或非线性特征（Shojaee et al., 2019）。此外，将数据折叠成特征向量（向量化）会丢弃脑区的空间信息（Kong et al., 2019）。此外，传统的分类算法，如支持向量机（SVM）（Cortes and Vapnik, 1995）、随机森林（Liaw and Wiener, 2002）和朴素贝叶斯（Rish, 2001）属于浅层分类