XiaoMi-AI文件搜索系统
World File Search System内侧
内侧颞叶（边缘系统）
一位名叫 HM 的著名患者让海马体的重要性得到了深刻的体现。作为癫痫手术的一部分，医生切除了他大部分的内侧颞叶。自 1953 年那次手术以来，他没有形成任何新的记忆。他能记得童年和手术前的一切，他仍然有工作记忆和形成程序记忆的能力。你可以和他进行正常、清晰的对话，但如果你离开房间片刻，当你回来时，他不会记得你或对话。他完全失去了形成陈述性记忆的能力。
3D形状合成的生成内侧抽象
各种方法开发了3D综合的深度神经网络架构[Chaudhuri等。2020; Patil等。2020; Shi等。2023; Xu等。2023]。尽管这些方法可以捕获各种宏观的外观，但它们很少明确地模型形状的结构或拓扑结构，而是依靠网络的代表力来生成可见的看起来可见的体素电网[Liu等。2017]，点云[Achlioptas等。2018a]，网格[Dai和Nießner2019]或隐式领域[Chen and Zhang 2019]。与2D图像生成网络相比，由于3D网络被额外维度所带来的其他资源开销所阻碍，因此它们通常很难建模精细的细节和连接性。某些方法模型零件布局[Li等。2017]，但在它们可以产生的结构的复杂性上受到限制。同时，这些先前的3D合成方法很少使艺术家灵活，精确地控制。它们更充当非有条件生成的黑匣子，或者通过图像或3D扫描重建。最新方法基于文本提示引入合成[Lin等。2023; Poole等。2023]，取得了显着的结果，但仅通过及时工程进行全球控制。3D角色艺术家长期以来一直习惯于摆姿势钻机以进行准确的角色配置。然而，这种直接的局部控制和通过直观的抽象的可解释性在一般3D形状合成中的成功限制。背面有特定板条配置的椅子。没有明确结构建模的方法缺乏指定特定所需拓扑的能力，例如另一方面，进行模型零件级结构的方法仅限于由一些粗制的拓扑定义的简单拓扑结构，并且无法对复杂的FRETWORK或装饰进行建模。我们对现实的3D形状生成感兴趣，该生成能够准确地模拟复杂的拓扑和几何细节，并支持对形状结构和几何形状的更可解释的控制。为实现这一目标，我们基于三个关键见解：（1）拓扑细节通常可以在“骨骼抽象”中捕获，就像内侧轴变换获得的那样[Tagliasacacchi等。2016]，即使没有有意义的部分分解，它也可以作为形状的简化结构代理。 （2）这些抽象可以通过生成方法合成[Karras等。2022]，由稀疏点云预测[Nie等。2020; Yin等。2018]，或由艺术家手动创建，而不必是完美的，因为它们是模仿中间表示； （3）每个抽象可以通过另一个训练有素的模型将每个抽象解码为逼真的表面。我们的方法通过推出并组装了以骨骼抽象为条件的局部支持的神经隐式功能来实现表面生成步骤。我们从该领域的最新工作中汲取了证明，该研究将潜在代码与稀疏集中的每个3D点相关联，并从潜在网格中生成局部隐含[Zhang等。2022]。但是，先前工作中稀疏的点支持集往往是任意的，而不是很容易解释。与单个大隐含物相比，这些不合格的混合物定义了整体合成形状，并可以更好地生成细微的几何细节。基于3D神经场和跨注意的后续工作[Zhang等。2023]完全在潜在网格上滴显式空间接地。相比之下，我们的基于骨架的潜在网格更具结构感知，为3D空间中的潜在代码提供了可解释的支持，同时仍然能够代表复杂的，细粒度的拓扑结构。我们总结了我们的贡献如下：
杏仁核，内侧前额叶皮层和PTSD中的海马功能
abtract：神经成像研究的最后十年产生了有关杏仁核，内侧前额叶皮层和海马在流经后压力障碍（PTSD）中的结构，神经化学和功能的重要信息。神经影像学研究表明，在症状状态和处理创伤无关的情感信息期间，PTSD的杏仁核反应性升高。重要的是，杏仁核反应性与PTSD的症状严重程度呈正相关。相比之下，内侧前额叶皮层似乎较小，并且在症状状态下是反应不足，并且在PTSD中的情绪认知任务的表现。内侧前额叶皮层反应性与PTSD症状严重程度成反比。最后，回顾的研究表明，PTSD中海马的体积，神经元完整性和功能完整性的减少。提出了其余的研究问题和相关的未来方向。
验尸成像揭示了阿尔茨海默氏病中内侧颞叶病理学的内侧颞叶脆弱性
我们目前对阿尔茨海默氏病（AD）早期颞叶（MTL）内tau神经薄缠结（NFT）的传播和神经退行性作用的理解受到限制，这受到混淆的非AD病理学和二维（2-D）的常规历史学性质的存在。Here, we combine ex vivo MRI and serial his- tological imaging from 25 human MTL specimens to present a detailed, 3-D characterization of quantitative NFT burden measures in the space of a high- resolution, ex vivo atlas with cytoarchitecturally-de fi ned subregion labels, that can be used to inform future in vivo neuroimaging studies.平均地图在NFT分布中显示出海报梯度的明显前方，并且具有最高水平的NFT的精确的空间模式，不仅在跨肾上腺域内发现，而且还发现了Cornu氨（CA1）子场。此外，我们确定了颗粒状MTL区域，其中神经退行性的测量可能与NFT相关，因此作为早期AD生物标志物可能更敏感。
大脑局部结构连接组和内侧颞叶的亚型
结果：（1）在局部大脑连接组中，整个网络特征表现出低特征路径长度，并配对中度至高全球效率，这表明局部脑连接组构建的有效性。杏仁核连接组表现出比同侧海马和帕拉希公接连接组显示更长的特征路径长度和更弱的全球效率。（2）杏仁核连接组的轮毂分散在腹侧额叶，嗅觉区域，边缘，顶部，顶部区域和皮层下核，以及枢轴的海马连接组主要位于山缘，皮层和皮层下区域内。帕拉希公接连接组的轮毂分布类似于海马结构连接组，但缺乏半球间连接以及与皮层核的连通性。（3）每个ROI的大脑局部结构连接组的亚型通过层次聚类进行分类，双侧杏仁核连接组的亚型是杏仁核 - 前额叶连接组；杏仁核 - 外侧或对侧边缘连接组和杏仁核 - 伴随连接组。双侧海马连接组的亚型主要包括域半球中的海马冲向或对侧边缘连接组和前颞张 - 海马 - 腹部颞叶枕骨。parahampocampal连接组的亚型与海马的亚型表现出相似之处。
儿童的长期算盘训练收益由内侧颞叶解剖学和电路
图1样本算盘计算程序和研究设计。（a）32 + 84的算盘计算的示例。从右至左侧的三列表示数字，数百个数字。算在算盘上部的每个珠子在向下推时表示五个，而算盘下部的每个珠子则在向上推时表示1。为了实现32 + 84的计算，（a）将两个数字列中的两个珠子向下推（↓），（b）（b）将数百位数字柱中的一个珠子向上推（↑）（添加八个等于添加10个缩影2）。然后，（c）将一个数字列上部的一个珠子向下推（↓）和（d）（d）在一个数字柱的下部向下推一个珠子（↓）（添加四个平均值，添加5个量为1个）。该计算的结果为116。（b）研究设计。参与者在一年级开始时分配给基于算盘的心理计算培训（AMC）或对照组。AMC小组的儿童从一年级开始就完成了5年的纵向培训（每周2小时）。在第1年的时间点（1年培训后）收集结构和静止状态功能MRI扫描。数学能力从第一个时间点评估到第2，第三或第4个时间点（经过3 - 5年的培训后）（有关更多详细信息，请参见材料和方法）。对照组除了AMC培训外完成了研究的所有方面。
一种机器学习方法探索颞内侧癫痫患者的认知特征
我们旨在通过使用 SVM（支持向量机）和 XGBoost（极限梯度提升）机器学习（ML）算法，识别内侧颞叶癫痫 (mTLE) 患者关于其癫痫侧化（左侧或右侧）的认知特征（表型）。具体而言，我们探索了这两种算法识别区分左侧和右侧 mTLE 患者的最显著分数（ML 术语中的特征）的能力。我们的数据集有两个版本，包括神经心理学测试分数：一个“精简和工作”版本（n = 46 名患者），没有任何缺失数据，另一个“原始”版本（n = 57），有缺失数据，但可用于测试使用工作数据集获得的结果的稳健性。重点放在采用预防性机器学习（ML）方法进行分类，以获得可重复和可推广的结果。还研究了几个临床医学变量的影响。使用两个版本的数据集，我们获得了左侧和右侧 mTLE 的出色预测分类性能（ > 75％）。最具分离性的特征是四项语言和记忆测试，其稳定性接近 100％。因此，这些认知测试似乎与患者的神经心理学评估高度相关。此外，海马回之间的结构不对称、患者年龄和抗癫痫药物数量等临床变量都会影响认知表型。这项探索性研究对认知分数进行了深入分析，并可以观察到语言和记忆表现之间有趣的相互作用。我们从临床和理论应用以及神经心理学领域的观点的角度讨论了这些发现的意义。
癫痫患者的颅内脑外对内侧颞叶刺激的预测建模
尽管有希望取得的进步，但耐药性癫痫（DRE）的闭环神经刺激仍然依赖手动调整并产生可变的结果，而自动化的可预测算法仍然是一种吸引力。作为解决这一差距的基本步骤，在这里，我们研究了在参数丰富的神经刺激下人类颅内EEG（IEEG）反应的预测动力学模型。使用来自n = 13例DRE患者的数据，我们发现具有约300毫秒因果历史依赖性的刺激触发的切换线性模型可以最好地解释引起的IEEG动力学。这些模型在不同的刺激幅度和频率中高度一致，从而可以从丰富的刺激下学习可推广的模型，并且对数据有限。此外，几乎所有受试者的IEEG都表现出距离依赖的模式，从而刺激直接影响致动位点和附近地区（≲20mm），会影响中距离区域（20〜100mm）通过网络相互作用，几乎无法达到远端区域（≳100mm）。峰网络相互作用发生在距刺激位点60毫米的60毫米处。由于其预测精度和机械性解释性，这些模型对于基于模型的癫痫发作和闭环神经刺激设计具有巨大的潜力。
癫痫患者颞叶内侧刺激诱发颅内脑电图反应的预测模型
尽管十多年来取得了令人鼓舞的成果，但用于治疗药物难治性癫痫 (DRE) 的闭环神经刺激仍然依赖于手动参数调整，并且会产生不可预测的变化结果，而全自动算法仍然只是理论上的可能性。在这项工作中，我们研究了在参数丰富的神经刺激下人类颅内脑电图 (iEEG) 反应的预测动力学模型，并开发了预测准确且生物学上可解释的模型。使用来自 n = 13 名受试者的数据，我们表明，诱发的 iEEG 动态最好通过具有约 300 毫秒的因果历史依赖性的刺激触发切换线性模型来解释。这些模型在刺激幅度和频率（包括 STIM OFF 持续时间）方面高度一致，这使得可以从丰富的 STIM OFF 和有限的 STIM ON 数据中学习单个可推广的模型。在受试者中，我们观察到一致的距离依赖模式，即刺激直接影响驱动点和附近区域（≲ 20 毫米），几乎没有或根本没有网络介导，通过网络交互间接到达中距离区域（20 ∼ 100 毫米），几乎无法到达更远端区域（≳ 100 毫米）。网络交互的峰值参与发生在距离刺激点约 60-80 毫米处。由于其预测准确性和机制可解释性，这些模型在基于模型的癫痫发作预测和闭环神经刺激的刺激设计中具有深远的应用。
使用深度学习检测颅内电极上的内侧颞叶癫痫样放电
目的：开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法：一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集，我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果：在受试者工作特征曲线上，我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC（特异性 > 0.9）。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下，灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论：利用深度学习，我们开发了一种高性能、患者非特异性算法，用于检测颅内电极上的 mTL 癫痫样放电。意义：我们的算法有许多潜在应用，可用于了解 mTL 癫痫样放电对癫痫和认知的影响，以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。