XiaoMi-AI文件搜索系统
World File Search SystemsMRI
使用自适应克隆选择根据 sMRI 数据对阿尔茨海默病阶段进行分类
摘要 — 结构磁共振成像 (sMRI) 已研究了多种神经系统疾病，并且已将其映射到大脑的不健康区域。必须尽快确定阿尔茨海默病 (AD) 患者，以便开始治疗。最近的研究集中于应用机器学习 (ML) 技术来分割大脑结构并对 AD 进行分类。克隆选择 (CS) 理论有效地实现了分类和优化的目标。自适应克隆选择 (ACS) 技术用于将 sMRI 扫描分为多个类别，例如认知正常 (CN)、轻度认知障碍 (MCI) 和纯 AD 类别。提出的 ACS 描述了免疫反应的基本特征。这为抗原只能在接收它的细胞子集内成熟而不是在身体其他部分成熟的假设提供了支持。与依赖突变的进化计算相比，这种方法擅长关注克隆扩增和亲和力的发展。所提出的 ACS 技术从克隆扩增概念中引入了基本标准，有助于创建用于识别上述 CN、MCI 和 AD 模板匹配的高效策略。所提出的 ACS 方法在分类和检测准确度方面比最先进的方法高出约 99%。关键词 — 阿尔茨海默病 (AD)、磁共振成像 (sMRI)、人工免疫系统 (AIS)、增强模糊 K 最近邻 (EFKNN)、自适应神经模糊推理系统 (ANFIS)
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
基于大脑 sMRI、rs-fMRI 和 EEG 的自闭症谱系障碍诊断的机器学习算法的准确性：三项系统评价和荟萃分析的方案
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID II。 Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID IV。 Iman Menbari Oskoie 2，医学博士，imanmenbary@gmail.com，ORCID V. Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID VI。 Faezeh Aghajani 2,3，医学博士，faezehaghajani.fa@gmail.com，ORCID VII。 Mehrnush Torbati 4，医学博士，M.storbati@yahoo.com，ORCID VIII。 Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID IX。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID X. Seyed Hossein Hosseini Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID XI。 Alireza Mirzamohammadi 2,3，医学博士，alireza.mirzamohamadi@shahed.ac.ir，ORCID XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID XIII。 Shahriar Faghani 5,6，医学博士，Shahriar.faghani@gmail.com，ORCID XIV。 Amir Hossein Memari 2 ，医学博士，Mehranamir@yahoo.com ，ORCID
ciftistorm管道：促进可再现的脑电图/meg源连接
我们提出了ciftistorm，这是一种电生理源成像（ESI）管道，该管道结合了最近开发的改善正向和逆溶液的方法。Ciftistorm管道产生人类连接组项目（HCP）和符合空间分辨率程度的数据集输入的MegConnectome兼容输出。输入数据的范围可以从没有结构磁共振成像（SMRI）的低传感器密度脑电图（EEG）或磁脑电图（MEG）录制到具有HCP多模态SMRI符合SMRI的HCP EEG/ MEG记录。ciftistorm将铅场和几何校正的数字质量控制引入了正向建模的头部和源模型。对于反向建模，我们提出了基于多个先验的源头光谱的贝叶斯估计。我们促进了从单个SMRI获得的T1W/fsaverage32k高分辨率空间中的ESI。我们通过比较来自HCP MEG和MRI标准化数据集前十年中获得的CUBAN HUMEN BRAIN MAPPICS项目（CHBMP）的EEG和MRI数据的Ciftistorm输出来验证此功能。
基于结构性脑 MRI 图像、网格搜索优化和卷积神经网络诊断自闭症谱系障碍
本研究提出了一种基于 sMRI 的自闭症自动诊断模型。该模型由两个基本阶段组成。第一阶段是预处理阶段，包括删除不清楚的图像、应用 Canny 边缘检测 (CED) 算法识别图像边缘、裁剪图像到系统所需的大小，最后使用数据增强将图像放大五倍。数据增强方法不应影响图像中的辨别力（例如颜色），而且由于它适用于自闭症谱系障碍 (ASD) 和正常发育 (TD) 两组，因此在执行时要小心谨慎，以免对数据造成任何操纵。在第二阶段，将网格搜索优化 (GSO) 算法应用于系统中使用的深度卷积神经网络 (DCNN)，以获得最佳超参数。因此，基于 sMRI 的 ASD 诊断方法实现了 100% 的出色成功率。通过五折交叉验证测试验证了所提模型的可靠性，并通过与最近的研究和广泛使用的预训练模型的比较证明了其优越性。
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
人类大脑中的区域放射组学相似网络 (R2SN)：可重复性、小世界特性和生物学基础
结构协方差网络 (SCN) 已成功用于结构磁共振成像 (sMRI) 研究。然而，大多数 SCN 都是由单一标记构建的，对区分不同疾病阶段不敏感。本研究的目的是设计一种新型的区域放射组学相似性网络 (R2SN)，以便在形态网络分析中提供更全面的信息。通过计算从每个受试者的任意一对区域中提取的放射组学特征之间的 Pearson 相关性来构建 R2SN（AAL 图谱）。我们进一步评估了 R2SN 的小世界特性，并在不同数据集和重测分析中评估了其可重复性。我们还探讨了 R2SN 与一般智力/区域间基因共表达之间的关系。无论使用不同的特征子集，R2SN 都可以在不同数据集中复制。R2SN 在重测分析中表现出很高的可重复性（组内相关系数 > 0.7）。此外，R2SN 具有小词特性 (σ>2) 以及基因表达与一般智力之间的高相关性 (R=0.29，p<0.001)。此外，该结果也在 Brainnetome 图谱中得到重复。R2SN 提供了一种基于 sMRI 了解人类形态协方差的新颖、可靠且生物学上合理的方法。
临床可行的脑形态相似性网络构建
形态相似性网络 (MSN) 将皮质组织估计为一组具有生物学意义的宏观和微观结构层面解剖特征之间的相似性，这些相似性来自多个结构 MRI (sMRI) 序列。这些网络具有临床相关性，可预测智商的 40% 差异。但是，生成这些网络所需的序列 (T1w、T2w、DWI) 是较长的采集，在某些人群中不太可行。因此，使用 T1w sMRI 中的特征估计 MSN 对临床和发育神经科学具有吸引力。我们研究了减少特征的方法是否接近原始 MSN 模型，作为研究大脑结构的潜在工具。在一个大型、同质的健康年轻人数据集（来自人类连接组计划，HCP）中，我们扩展了之前对减少特征 MSN 的研究，不仅比较了 T1w 衍生的网络，还比较了使用较少 MR 序列生成的其他 MSN，以及它们的完整采集对应物。我们生成的 MSN 在边缘级别与使用多模态成像生成的 MSN 高度相似；但是，网络的节点拓扑不同。这些网络对广义认知能力的预测有效性有限。总体而言，当多模态成像不可用或不合适时，T1w 限制的 MSN 构建是可行的，可以提供 MSN 的适当估计，并且可以成为在未来研究中检查结果的有用方法。
