XiaoMi-AI文件搜索系统
World File Search Systemvoxel
多体素神经强化改变威胁调节网络内的静息状态功能连接
图 1. 神经强化干预总结（有关更多详细信息，请参阅 Taschereau-Dumouchel、Cortese 等人，2018 年）。A）一次多体素神经强化试验中的事件序列。在诱导期间，大脑活动在线处理并使用目标动物的多体素表示进行解码。此过程为我们提供了以视觉方式显示给参与者的激活可能性。B）目标动物的代表性多体素解码器（体素权重已标准化并略微平滑（FWHM = 1 毫米）以方便解释）。这些体素被用作种子区域（我们称之为腹侧颞叶皮层），以确定干预后它们的连接性变化（大脑图像是使用 pySurfer [ https://pysurfer.github.io/ ] 生成的）C）自述对我们数据库中至少 2 只动物感到恐惧的参与者参加了神经强化实验。我们使用了机器学习和一种称为超对齐的方法（Haxby 等人，2011）来确定恐惧动物（即解码器）的多体素表示。然后将恐惧动物类别随机分配为干预的目标或控制条件。参与者完成了在不同日子进行的五次神经强化课程。在干预之前和之后，参与者完成了静息状态课程，并向他们展示了他们害怕的两种动物的图像（即恐惧测试）。在这些课程中，参与者被要求报告他们对所呈现动物的主观恐惧（大脑图像是使用 Pycortex [Gao 等人，2015] 生成的）。
使用基于体素的形态计量学识别年轻人对逆境的韧性结构性标记
1，英国浴巴斯大学，巴斯大学，2个生物医学与预防系，罗马大学“ Tor Vergata”大学，意大利罗马市3马丁诺斯生物医学成像和哈佛医学院3马尼诺斯，美国波士顿，4个儿童发展研究所，加拿大多伦多，伦敦大学，伦敦大学，伦敦大学5号，5个儿童发展学院。英国伯明翰，英国伯明翰，第7届儿童和青少年精神病学系，心理健康和心理治疗，法兰克福大学医院，戈德大学，德国法兰克福大学，德国法兰克福大学，8弗雷斯纽斯应用科学大学，德国法兰克福大学心理学学院8号，德国，德国法兰克福，9个儿童神经病学科，心理学，心理学，精神病学系德国，德国医学院10号儿童和青少年精神病学系，德累斯顿，德累斯顿，德国，12号儿童和青少年精神病学系，巴塞尔大学，巴塞尔大学，精神病学院医院，瑞士，瑞士12号，雅各布斯12号，雅各布斯，杰里希大学，Zurich，Zurich，Switzerland and Switzerland and Intorimaint and Intorim and Intoriim and Intoriim neur and arrain and Intoriim neur ander neur anderiimbrain and arrain neur andrain， RWTH AACHEN和研究中心Juelich，Juelich，德国1，英国浴巴斯大学，巴斯大学，2个生物医学与预防系，罗马大学“ Tor Vergata”大学，意大利罗马市3马丁诺斯生物医学成像和哈佛医学院3马尼诺斯，美国波士顿，4个儿童发展研究所，加拿大多伦多，伦敦大学，伦敦大学，伦敦大学5号，5个儿童发展学院。英国伯明翰，英国伯明翰，第7届儿童和青少年精神病学系，心理健康和心理治疗，法兰克福大学医院，戈德大学，德国法兰克福大学，德国法兰克福大学，8弗雷斯纽斯应用科学大学，德国法兰克福大学心理学学院8号，德国，德国法兰克福，9个儿童神经病学科，心理学，心理学，精神病学系德国，德国医学院10号儿童和青少年精神病学系，德累斯顿，德累斯顿，德国，12号儿童和青少年精神病学系，巴塞尔大学，巴塞尔大学，精神病学院医院，瑞士，瑞士12号，雅各布斯12号，雅各布斯，杰里希大学，Zurich，Zurich，Switzerland and Switzerland and Intorimaint and Intorim and Intoriim and Intoriim neur and arrain and Intoriim neur ander neur anderiimbrain and arrain neur andrain， RWTH AACHEN和研究中心Juelich，Juelich，德国
淋巴结抑制剂蒸发剂用于掺杂控制目的
19427611，2023，11-12，从https://analytilticsciencejournals.onlinelibrary.wiley.com/doi/10.1002/dta.3489下载，由saechsissische landesbibliothek，Wiley在[24/06/2024/206/2024]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
以纳米级分辨率重建的人类大脑皮层千万亿像素碎片
原理：获取人类神经回路的一个关键障碍是获取高质量的人脑组织。器官活检为许多人体器官系统提供了有价值的信息，但除了检查或切除肿瘤肿块外，很少在脑部进行活检，因此大多数活检对于研究正常的人类大脑结构都有问题。一种尝试是使用由人类细胞制成的脑器官，但目前，它们并不接近脑组织的结构（例如，不存在皮质层）。一种直接的方法是绘制神经外科手术后获得的人类标本中的细胞和回路，以用于神经系统疾病，在这种疾病中，皮质的某些部分会被丢弃，因为它们会阻碍进入病理部位。我们假设，神经外科手术的副产品——人脑组织——可以用来研究正常的——以及最终紊乱的——人类神经回路。
预测大脑年龄的体素级方法
大脑衰老是一种区域性现象，在使用机器学习方法进行大脑年龄预测研究的领域中，这一方面仍未得到充分探索。体素级预测可以提供局部大脑年龄估计，从而提供有关区域衰老过程的详细见解。这对于了解健康受试者和患病受试者的衰老轨迹差异至关重要。在这项工作中，提出了一种基于深度学习的多任务模型，用于从 T1 加权磁共振图像进行体素级大脑年龄预测。所提出的模型优于文献中现有的模型，并且在应用于健康和患病人群时可产生有价值的临床见解。对体素级大脑年龄预测进行区域分析，以了解大脑中已知解剖区域的衰老轨迹，并表明健康受试者的区域衰老轨迹与患有痴呆症和更具体地说阿尔茨海默病等潜在神经系统疾病的人存在差异。我们的代码可以在 https://github.com/nehagianchandani/Voxel-level-brain-age-prediction 上找到。
一种可访问的深度学习工具，用于体素分类......
上行用于 PCNSL 与非 PCNSL，下行用于 GBM 与转移分化）。总体而言，TIC 的信号变化越剧烈，即造影剂到达和冲刷期间的陡峭斜率，贡献分数就越高。对于 GBM 尤其如此，因为这些时间点与其他两种肿瘤类型的差异更大（图 3B 中黑色显示的平均 TIC）。对于 PCNSL 和转移，信号的最后部分也被认为很重要，这是可以预料的，因为这些情况下信号幅度总体较高。重要的是，在 TIC 信号上应用 1D CNN 可以分析信号随时间变化的局部变化。在这方面，仅考虑特定时间点的信号幅度（例如 PSR）或派生测量值（如 rCBV）的方法可能会忽略
使用基于体素的形态测量法识别年轻人逆境适应力的大脑结构标记
1 巴斯大学心理学系，英国巴斯，2 罗马第二大学生物医学与预防系，意大利罗马，3 马蒂诺斯生物医学成像中心和哈佛医学院，美国波士顿，4 儿童发展研究所，加拿大多伦多，5 密德萨斯大学心理学系，英国伦敦，6 伯明翰大学心理学院人类大脑健康中心，英国伯明翰，7 法兰克福大学医院儿童和青少年精神病学、心身疾病和心理治疗系，歌德大学，德国法兰克福，8 费森尤斯应用科学大学心理学院，德国法兰克福，9 亚琛工业大学医院儿童和青少年精神病学、心身疾病和心理治疗系儿童神经心理学科，德国亚琛，10 儿童和青少年精神病学系，德国德累斯顿工业大学医学院，德累斯顿，11 瑞士巴塞尔大学精神病学系，巴塞尔大学医院儿童和青少年精神病学系，12 瑞士苏黎世大学雅各布青年生产力发展中心，13 德国亚琛工业大学和于利希于利希研究中心 JARA-Brain Institute II、分子神经科学和神经成像
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。
大脑年龄预测：使用基于区域和体素的形态学数据
图1基于区域和体素的SVR，RVR和GPR模型的MAE具有或没有PCA的GPR模型，训练集大小与机会水平相比（7.5岁；黑色虚线）。显示了CV（站点1）和独立测试集（站点2; Blue Line）中的训练（红线）和测试集（绿线）中的性能（绿线）。使用Bootstrap分析计算了不同数据集的置信区间（阴影区域）。请注意，自举训练样本被选择为年龄和性别的年龄和性别，大小增加，最少有一个男人和一个女性，最多一个男性，最多有20名男性和20名女性。对于带有PCA的基于体素的模型，无法评估具有<150个受试者的数据集，因为PCA算法比主要组件需要更多的样本。此外，由于有限的时间和计算资源
AEM 数据的认知三维地质体素建模方法
摘要 航空电磁 (AEM) 数据已被证明可用于近地表地质测绘，而且在世界范围内收集的数据越来越多。然而，将测量的电阻率数据转换为岩性数据并不是一件简单的任务。因此，充分利用这些数据仍然具有挑战性。在进行成功的地质解释和构建合理的 3D 地质模型之前，必须考虑许多限制。在本文中，我们提出了一种对 AEM 数据进行 3D 地质建模的方法，其中将这些限制与认知和知识驱动的数据解释一起考虑。建模是通过使用体素建模技术和为此目的开发的工具迭代执行的。基于 3D 电阻率网格，这些工具允许地质学家选择定义 3D 模型中任何所需体积形状的体素组。八叉树建模的最新发展确保使用有限数量的体素进行精确建模。