XiaoMi-AI文件搜索系统
World File Search System于脑
TractLearn：用于脑束定量分析的测地线学习框架
基于深度学习的卷积神经网络最近已证明其能够基于弥散加权成像快速分割主要脑束结构。脑束的定量分析则依赖于来自纤维束成像过程本身或束上每个体素的指标。在疾病的背景下，对异常体素的统计检测通常依赖于单变量和多变量统计模型，例如一般线性模型 (GLM)。然而，在高维低样本量数据的情况下，尽管通常使用平滑过程，但由于解剖学差异，GLM 通常意味着对照的标准差范围较大。这可能导致难以在体素尺度上检测到脑束中细微的定量变化。在这里，我们介绍了 TractLearn，这是一个使用测地线学习作为数据驱动学习任务的脑束定量分析统一框架。 TractLearn 允许使用黎曼方法在图像高维域和脑束的减少潜在空间之间进行映射。我们通过重测采集多壳扩散 MRI 数据说明了该方法对健康人群的稳健性，表明可以分别研究不同 MRI 会话导致的整体影响和局部束改变的影响。然后，我们在 5 名年龄匹配的轻度脑外伤受试者样本上测试了我们算法的效率。我们的贡献是提出：1/ 一种捕捉控制变异性的流形方法作为标准参考，而不是基于欧几里得均值的图谱方法。2/ 一种检测体素定量值整体变化的工具，它考虑了结构中体素的相互作用，而不是独立分析体素。3/ 一种即用型算法，用于突出显示扩散 MRI 指标的非线性变化。在这方面，TractLearn 是一个可立即使用的精准医疗算法。
用于脑的导电聚合物基纳米结构材料......
Yasamin Ziai、Seyed Shahrooz Zargarian、Chiara Rinoldi、Paweł Nakielski、Antonella Sola、Massimiliano Lanzi、Yen Bach Truong 和 Filippo Pierini，用于脑机接口的导电聚合物基纳米结构材料，WIREs Nanomed Nanobiotechnol.，2023 年，e1895，p. 1-33。
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
色氨酸Kynurenine途径基于脑部疾病和肿瘤学的基于基于肿瘤的成像剂至床边
摘要：基于色氨酸（TRP）的放射性示踪剂具有出色的可能成像的大脑病理学的潜力，因为它们涉及血清素和Kynurenine（Kyn）途径。然而，针对Kynurenine代谢途径特有的放射性示例受到限制。此外，历史上基于TRP的放射性药物与短寿命的同位素碳11合成。正在开发一种新一代的基于TRP的成像剂，它正在开发较长的半寿命和市售的同位素，例如氟-18和碘-124。在临床前研究中，已证明新开发的基于氨基酸的示踪剂具有有利的放射化学和成像特征。但是，Kyn途径特异性放射性示例的临床翻译中仍然存在许多障碍。
深呼吸的特征是休息有利于脑呼吸道驱动
嗅觉大脑中的呼吸锁定活性主要源自嗅觉感觉神经元的机械敏感性，以使气压从嗅球传播到大脑其余部分。有趣的是，鼻气流速率的变化导致嗅球响应的重组。通过利用自然条件下呼吸动力学的自发变化，我们研究了呼吸驱动是否随鼻气流运动而变化。我们分析了在醒来和睡眠状态下各个大脑区域中相对于呼吸信号的局部现场潜在活动。我们发现呼吸方案是特定于州的，而安静的唤醒是唯一的警惕性状态，在此期间，所有记录的结构都可以通过呼吸频率进行呼吸驱动。使用CO 2增强的空气改变与每个州相关的呼吸系统和基于呼吸周期的分析，我们证明，在安静醒来期间观察到的大而强大的大脑驱动器与呼吸模式中的深度和灵感持续时间之间的最佳权衡有关，表征了这种特定状态。这些结果首次表明呼吸状态的变化会影响皮层动力学，并且与REST相关的呼吸系统是呼吸驱动大脑的最佳选择。
用于脑部疾病分类和预测的机器学习：最新进展和即将到来的挑战
综述目的。机器学习 (ML) 是一种人工智能技术，允许计算机执行任务而无需明确编程。ML 可用于辅助诊断和预后脑部疾病。虽然最早的论文可以追溯到十多年前，但研究增长速度非常快。最新发现。最近使用 ML 进行诊断的研究已经从对特定疾病与对照的分类转变为鉴别诊断。大量研究致力于预测未来的患者状态。虽然许多早期研究都集中在神经影像作为数据源，但目前的趋势是多模式的整合。在目标疾病方面，痴呆症仍然占主导地位，但已经开发出针对各种神经和精神疾病的方法。总结。ML 在辅助诊断和预后脑部疾病方面非常有前景。尽管如此，我们认为，社区在将这些工具纳入临床常规方面仍有关键挑战需要解决：需要更广泛地采用有关验证和可重复研究的良好实践；需要广泛的泛化研究；需要可解释的模型来克服黑箱方法的局限性。关键词：人工智能；机器学习；转化研究；分类；预测 重点
声学动态范围内的时间变化是基于脑电图的听觉关注
摘要 - 许多研究表明，可以从脑电图数据中解码听觉对自然语音的关注。但是，大多数研究都集中在选择性的听觉注意力解码（SAAD）上，而竞争扬声器则是对单个目标的绝对听觉注意解码（AAAD）的动态。AAAD的目标是衡量对单个演讲者的关注程度，在心理和教育环境中的客观衡量注意力。为了调查这种AAAD范式，我们设计了一个实验，主题在不同的细心条件下听到视频讲座。我们训练了神经解码器，以在基线的细节状态重建脑电图中的语音信封，并使用解码和真实语音信封之间的相关系数作为注意语音的指标。我们的分析表明，1-4 Hz频段中语音包膜的包络标准偏差（SD）与该指标在语音刺激的不同段之间密切相关。然而，这种相关性在0.1-4 Hz频段中削弱，其中专注状态和注意力不集中的状态之间的分离程度变得更加明显。这突出了0.1-1 Hz范围的独特贡献，从而增强了注意状态的区别，并且仍然受到混杂因素的影响，例如语音信封的时变动态范围。
rank-1 CNN用于脑电图的心理工作负载分类
脑计算机界面（BCIS）可以分为两种主要类型：主动和被动BCI（Clerc等人2016）。当系统使用用户非自愿生成的信号时，BCI可以被动。更具体地说，这种类型的BCI经常用于评估执行不同心理需求的各种任务的用户的心理工作量，尤其是脑电图（EEG）（EEG）（Wang等人。2015，Adryou等。2018，Shalchy等。 2020）。 在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。 这取决于事先收集了标记的数据。 但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。 为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。 为此挑战提供的数据集（Hinss等人 2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。 每个会话都在不同的困难的块中分解：简单，中和困难。 提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。2018，Shalchy等。2020）。在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。这取决于事先收集了标记的数据。但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。为此挑战提供的数据集（Hinss等人2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。每个会话都在不同的困难的块中分解：简单，中和困难。提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。难度标签仅在两个初次会议上提供。
基于脑电图的图像回归
摘要 - 注意力多动障碍（ADHD）是一种神经发育障碍，影响了一定程度的儿童及其生活方式。一种治疗这种疾病的新方法是在整个患者中使用脑部计算机界面（BCI）学会自行自我调节自己的症状。在这种情况下，研究导致了旨在估计对这些界面的关注的工具。同时，虚拟现实（VR）耳机的民主化以及它为多个方面产生有效的环境的事实：安全，灵活和生态上有效，导致其用于BCI应用程序的使用增加。另一点是人工智能（AI）在不同领域的医疗领域越来越发达。在本文中，我们提出了一种创新的方法，目的是从生理信号的测量中估算注意力：脑电图（EEG），凝视方向和头部运动。该框架是为了评估VR环境中的注意力的开发。我们为特征提取和专用的机器学习模型提出了一种新颖的方法。试点研究已应用于一组志愿者，与最先进的方法相比，我们的方法的错误率较低。关键字 - 虚拟现实，机器学习，大脑计算接口，眼睛跟踪