XiaoMi-AI文件搜索系统
World File Search SystemsMRI
使用...自动检测自闭症谱系障碍
摘要：自闭症谱系障碍 (ASD) 是一种脑部疾病，其特征是在儿童早期出现各种体征和症状。ASD 还与受影响个体的沟通障碍和重复行为有关。已经开发了各种 ASD 检测方法，包括神经影像学模式和心理测试。在这些方法中，磁共振成像 (MRI) 成像模式对医生至关重要。临床医生依靠 MRI 模式准确诊断 ASD。MRI 模式是非侵入性方法，包括功能性 (fMRI) 和结构性 (sMRI) 神经影像学方法。然而，对于专家来说，使用 fMRI 和 sMRI 诊断 ASD 通常费力且耗时；因此，已经开发了几种基于人工智能 (AI) 的计算机辅助设计系统 (CADS) 来协助专科医生。传统的机器学习 (ML) 和深度学习 (DL) 是用于诊断 ASD 的最流行的 AI 方案。本研究旨在回顾使用 AI 自动检测 ASD。我们回顾了几种使用 ML 技术开发的 CADS，用于使用 MRI 模式自动诊断 ASD。使用 DL 技术开发 ASD 自动诊断模型的研究非常有限。补充附录提供了使用 DL 开发的研究摘要。然后，详细描述了使用 MRI 和 AI 技术自动诊断 ASD 期间遇到的挑战。此外，还讨论了使用 ML 和 DL 自动诊断 ASD 的研究的图形比较。我们建议未来使用 AI 技术和 MRI 神经成像检测 ASD 的方法。
大鼠脑的Waxholm空间大图
将许多核分开并封装为描述的鲁棒和可再现的起点。在划定4版的灰质区域中，SMRI/DTI数据提供的信号强度差异不足以识别神经结构的变化。在这些区域中，通过从组织学部分图像中注册到地图集的信息来确定边界的位置，例如，从其他参考地图集中显示了细胞结构组织，或从包含立体坐标的已发表的地图中显示。以这种方式，WHS大脑大脑Atlas V4的描述建立在几种解剖信息的来源上。基于对比的地标通常是可重现的，并被认为是定义大脑区域的有意义的标准，其他标准，如示例
当前吸烟严重程度对阿片类药物使用障碍中脑灰质体积的影响 - 体素-BAS
摘要背景：吸烟（CS）和阿片类药物使用障碍（OUD）显着改变了脑裁缝。尽管OUD和吸烟是高度合并的，但大多数先前在OUD的神经影像学研究都无法控制吸烟严重程度。具体来说，吸烟和OUD对脑灰质体积（GMV）的综合作用尚不清楚。目的：我们使用结构磁共振成像（SMRI）检查：（1）OUD和非淘汰的人之间的GMV差异具有可比的吸烟严重程度； （2）吸烟严重程度对具有和没有OUD的个体之间的大脑GMV的差异作用。方法：我们对每天抽烟的116个人的现有SMRI数据集进行了二次分析，其中60个患有Oud（CS-OUD； 37名男性，23名女性）和56个没有（CS； CS； 31名男性，25名女性）。通过基于体素的形态计算分析估计脑GMV。 结果：与CS组相比，CS-OUD组在枕皮层中具有较高的GMV，在前额叶和颞皮层，纹状体和胸膜前/后中心回旋（全脑校正）中的GMV较高（全脑校正 - P <.05）。 在内侧轨道额皮层中GMV的组与吸烟严重程度之间存在显着相互作用（全脑校正-p <.05），因此吸烟较重与CS-OUD中较低的内侧眶额GMV相关，但CS-OUD中的CS-OUD，但不是CS参与者（R = –0.32 vs. 0.12 vs. 0.12）。 结论：我们的发现表明，吸烟和Oud对脑灰质的独立和互动效果的结合。通过基于体素的形态计算分析估计脑GMV。结果：与CS组相比，CS-OUD组在枕皮层中具有较高的GMV，在前额叶和颞皮层，纹状体和胸膜前/后中心回旋（全脑校正）中的GMV较高（全脑校正 - P <.05）。在内侧轨道额皮层中GMV的组与吸烟严重程度之间存在显着相互作用（全脑校正-p <.05），因此吸烟较重与CS-OUD中较低的内侧眶额GMV相关，但CS-OUD中的CS-OUD，但不是CS参与者（R = –0.32 vs. 0.12 vs. 0.12）。结论：我们的发现表明，吸烟和Oud对脑灰质的独立和互动效果的结合。阐明经竞标阿片类药物和烟草使用的神经解剖学相关性可能会使受影响个体的新干预措施开发出来。
专家报告神经科学 - https://rm.coe.int
1. 简介：神经接口革命 神经技术是一个总称，用于描述用于理解和/或影响、访问、监控、评估、模仿、模拟或调节人类和其他动物神经系统的结构、活动和功能的各种设备、工具、系统和算法。神经技术包括各种各样的创新，例如神经接口 (NI)、神经成像技术（如结构和功能磁共振成像 (sMRI/fMRI) 和脑电图 (EEG)、运动神经假体、言语神经假体、辅助神经康复系统、可植入刺激系统（如深部脑刺激 (DBS)）、神经调节疗法、神经反馈系统和脑功能分析计算模型。
使用 Otsu 阈值检测阿尔茨海默病...
AD 的症状包括行为紊乱、沟通障碍、识别障碍、认知障碍和记忆力减退。AD 会导致脑细胞死亡，从而引起认知能力、思维能力和记忆力丧失（Vaithinathan and Parthiban，2019 年）。AD 的进展速度因患者而异，但诊断率较低。AD 引起的行为障碍会损害患者的社会功能（Zhang et al.，2019 年）。AD 通常影响老年人，如果不及早治疗和发现，甚至会导致死亡。因此，及早发现 AD 对减缓其进展并降低死亡率至关重要（Yue et al.，2019 年；Ghazi et al.，2021 年；Ning et al.，2021 年）。近几十年来，多种脑成像技术（如计算机断层扫描、sMRI、正电子发射断层扫描、功能性 MRI 等）被用于 AD 的早期诊断（Puente-Castro 等人，2020 年；Chelladurai 等人，2023 年）。与其他脑成像技术相比，sMRI 图像提供有关异常脑区域的功能信息和补充结构信息（Liu 等人，2021 年）。简单和快速被认为是 Otsu 方法的众多优点中的两个。可以自动确定区分处理后图像的前景和背景部分的最佳阈值，从而无需对图像的先验知识。为了实现 AD 检测自动化，人们采用了多种机器学习模型，例如决策树、支持向量机 (SVM)、k 最近邻、XGBoost 等，但传统模型容易出现异常值和过拟合风险（Alqahtani 等人，2023 年；Ghosh 等人，2023 年）。另一方面，深度学习模型得到了研究人员的更多关注，并在医学成像、计算机视觉、图像处理和模式识别应用方面带来了显著的进步和改进（Venugopalan 等人，2021 年；Qu 等人，2023 年）。深度信念网络 (DBN) 通过利用监督学习和概率建模，比传统神经网络具有某些优势。它可以处理大量数据，并使用隐藏单元通过快速训练快速识别潜在的相关性。上述信息促使人们采用 DBN 模型以最短的执行时间检测 AD。本文的主要贡献如下：
病理区域定位与阿尔茨海默病诊断的深度联合学习
基于大脑细微的形态变化，人们已经研究了使用结构磁共振成像 (sMRI) 识别阿尔茨海默病 (AD)。典型方法之一是基于深度学习的块级特征表示。然而，对于这种方法，在学习诊断模型之前预先确定的块可能会限制分类性能。为了缓解这个问题，我们提出了一个基于位置的门 (PG) 的 BrainBagNet，它应用通过 3D 坐标表示的大脑图像的位置信息。我们提出的方法基于 MR 扫描和位置信息来表示块级类别证据，以进行图像级预测。为了验证我们提出的方法，我们进行了实验，将我们的方法与最先进的方法进行比较，并评估了两个公开可用的数据集的稳健性能：1) ADNI 和 2) AIBL。此外，我们提出的方法在 AD 诊断和轻度认知障碍转换预测任务中的分类性能均优于比较方法，并从不同角度分析了我们的结果。根据我们的实验结果，我们认为所提出的方法有可能为基于深度学习的块级特征表示研究提供新的见解和视角。代码可在以下位置获取：github.com/ku-milab/PG-BrainBagNet 。
基于视觉注意模型和等距戒指形状上下文特征
摘要阿尔茨海默氏病（AD）是由脑细胞快速变性引起的一种不可逆的神经退行性疾病。越来越多的研究人员专注于有效，准确的AD诊断方法。在本文中，提出了一种通过从结构磁共振成像（SMRI）的显着性图中提取相等距离的环形上下文特征来识别AD的方法。对阿尔茨海默氏病神经影像倡议（ADNI）数据集的薄层MR图像的实验结果表明，我们的方法有助于提高识别脑部疾病的性能。特别是，AD与CN的分类精度为94.83％，AD对MCI的分类精度分别为98.31％，MCI与CN分别为85.77％。同时，对开放访问系列成像研究的实验数据集和临床收集的厚层MR图像验证了该方法的分类性能。结果表明，该方法在临床应用中可能具有更高的应用值，而AD与CN相比，分类精度分别为96.56％和98.18％。与基于灰色含量（GM）密度，皮质厚度和海马体积的方法相比，我们的方法达到了AD（或MCI）和CN分类的较高精度。
DeepMNF：用于……的深度多模态神经成像框架
摘要 — 神经系统疾病（例如自闭症谱系障碍 (ASD)）的患病率日益上升，由于其症状多样，需要早期干预，尤其是在幼儿中，因此需要强大的计算机辅助诊断 (CAD)。缺乏基准神经影像学诊断为研究与 ASD 相关的大脑解剖结构和神经模式的转变铺平了道路。现有的 CAD 利用来自自闭症大脑成像数据交换 (ABIDE) 存储库的大规模基线数据集来提高诊断性能，但多站点数据的参与也会放大阻碍获得满意结果的变异性和异质性。为了解决这个问题，我们提出了一种深度多模态神经影像学框架 (DeepMNF)，该框架采用功能性磁共振成像 (fMRI) 和结构磁共振成像 (sMRI)，通过利用二维时间序列数据和三维图像来整合跨模态时空信息。目的是融合互补信息，以增加群体差异和同质性。据我们所知，我们的 DeepMNF 实现了比 ABIDE-𝟏 存储库中涉及所有可用筛选站点的数据集的最佳报告结果更好的验证性能。在这项工作中，我们还展示了单个模型中研究的模态的性能以及它们可能的组合，以开发多模态框架。
异常大脑结构与自闭症谱系障碍儿童的社会和沟通缺陷有关：基于体素的形态计量学分析
摘要：结构性磁共振成像（SMRI）研究表明，ASD患者的大脑结构异常，但是结构变化与社会通知问题之间的关系尚不清楚。本研究旨在通过基于体素的形态计量学（VBM）探索ASD儿童大脑中临床功能障碍的结构机制。筛选自闭症脑成像数据交换（Abide）数据库的T1结构图像后，有98名8-12岁儿童患有ASD的儿童与105名8-12岁儿童匹配典型发育（TD）。首先，本研究比较了两组之间的灰质体积（GMV）差异。然后，这项研究评估了ASD儿童中GMV与自闭症诊断观察计划（ADO）的通信和社交互动的小计分数之间的关系。研究发现，ASD中的异常大脑结构包括中脑，蓬蒂因，双侧海马，左parahampocampal回，左颞颞回，左颞叶，左右圆极，左中颞回和左上胸部上流回。此外，在ASD儿童中，ADO上的通信和社交互动的小计分数仅与左海马中的GMV显着相关，左海马，剩下的颞上回和左中间颞回。总而言之，ASD儿童的灰质结构异常，ASD儿童的临床功能障碍与特定区域的结构异常有关。
利用预先训练的Alexnet和相关矢量机的转移来回归，以预测健康的老年人大脑年龄从结构MRI
从脑结构MRI和年代年龄估计的大脑年龄之间的抽象差异与广泛的神经认知失误有关。大脑年龄估计的性能在很大程度上取决于预定义或手工制作的功能。尽管已经提出了基于3D卷积神经网络（CNN）方法，但它们需要高计算成本，大记忆负载和众多图像。将预先训练的2D CNN耦合用于转移学习的转移学习与建立的相关性向量机进行回归方法可以极大地增强模型的能力。采用了几种重要策略，包括特征传递学习，3D特征串联和降低维度。估计的大脑年龄是通过594个正常健康老年人（50 - 90岁）的结构磁共振成像（SMRI）建模的。我们提出并表现出预先训练的Alexnet作为可靠的特征提取器。此外，通过应用3D功能串联和减少数据，可以避免开发3D CNN的可观成本。所提出的方法以旧受试者的平均绝对误差为4。51年，可实现出色的性能。预测的大脑年龄也表现出高测试可靠性（类内相关系数为0.979）。对所提出模型的有效性和鲁棒性进行了充分的研究。所提出的方法可以与这些最先进的方法竞争甚至胜过表现，并且功能转移学习策略可以将新的观点引入一些具有预定义或手工制作的功能的知名脑周龄预测模型。