XiaoMi-AI文件搜索系统
World File Search System处理管道
Grandjean，J。等。 （2023）大鼠大脑中功能连通性分析的共识方案。自然神经科学，26（4），第673-681页。 （doi
动物模型中的无任务功能连接提供了一个实验框架，以检查在受控条件下的连接现象，并可以与在侵入性或终端程序中收集的数据方式进行比较。当前，动物采集是通过各种方案和分析进行的，这些方案和分析会妨碍结果比较和整合。在这里，我们介绍了标准装置，这是一个共有的大鼠功能磁共振成像采集方案，该协议在20个中心进行了测试。要使用优化的采集和处理参数来开发此协议，我们最初汇总了从46个中心从大鼠那里获取的65个功能成像数据集。我们开发了一种可再现的管道，用于分析具有不同协议获得的大鼠数据，并确定了与跨中心功能连通性的可靠检测相关的实验和处理参数。我们表明，标准化协议增强了相对于以前的采集而增强生物学上合理的功能连接模式。此处描述的协议和处理管道与神经成像社区公开共享，以促进互操作性和合作，以应对神经科学中最重要的挑战。
卡内基梅隆大学 BME 2025 春季研讨会系列
周围神经系统器官中的神经活动因其对大脑活动和更广泛的系统生理学的影响而越来越受到重视，但捕捉这些相互作用需要特定且可扩展的监测工具。光学成像非常适合以高时空分辨率访问具有分子和细胞类型特异性的这些动态，但在外周器官（例如高度神经支配的胃肠道 (GI) 道）内长期实施方面面临挑战。在这里，我们介绍了我们在开发薄、软和多功能内窥镜成像设备方面的最新进展，用于可视化小鼠大脑和结肠中的神经元放电以及互补的电化学活动。在并行开发用于临床的 GI 结构成像技术的基础上，我们利用基于光纤的设备制造、微电子和定制的互补信号处理管道方面的进步来应对日益增长的多尺度监测需求。通过详细捕捉渐进变化，我们的设备准备在基线和病理和功能障碍转变过程中表征关键信号动力学，进一步加深我们对脑体生理学的理解，并为慢性疾病的潜在治疗窗口和干预措施提供新的见解。
在静止状态功能性MRI指标中对静脉偏差进行建模
图1 MNI152空间中RSFMRI指标和QSM图像的处理管道的概述。从QSM图像中提取的静脉中，在天然空间中生成了距离图和传播直径图。然后将图像注册到MNI152空间。The top row depicts the rsfMRI metrics in MNI152 space: sagittal view of the amplitude of low-frequency fluctuations (ALFF), fractional ALFF (fALFF), Hurst Exponent (HE), Coherence [Coherence (Cohe)-Regional Homogeneity (ReHo)], Kendall's Coefficient Concordance (KCC)-ReHo and一个参与者的特征向量中心（EC）值。底部行：来自天然空间中同一参与者的定量敏感性映射（QSM）图像，从容器分割档案中（阈值= 0.5;天然空间），所得的部分体积（PV；第二行）和直径图（第三行）（第三行）。PV和直径图排除了所有静脉<0.3 mm。距离图和传播直径图分别从PV和天然空间中的直径图计算出来。距离> 6.7 mm的组织体素。地图已注册到MNI152空间，并仅限于GM（第二行和第三行的最后一列）。
Corticometrics 重新提交了完整申请
正常人类神经解剖结构变化极大，并且会随着年龄增长而变化。这阻碍了神经成像检测阿尔茨海默病 (AD)、亨廷顿病 (HD)、多发性硬化症 (MS) 和精神分裂症等神经系统疾病的影响的能力。大多数最近推出的最先进的定量成像工具仍然使用横断面方法来分析重复扫描。这些工具缺乏监测细微渐进性变化的灵敏度，因为这种方法没有考虑到正常神经解剖结构的巨大内在变异性。该项目的目标是将纵向神经形态测量图像处理管道商业化，用于放射学、神经病学和相关临床领域。该项目的成功完成将产生一个临床上有用的神经形态测量纵向分析流，其统计能力比目前市面上可用的更强。这种能力的提高将直接转化为增强在个体和群体层面检测和评估进展的能力。它还将缓解当前纵向神经放射学阅读工作流程中的一个主要痛点，缩短放射学报告周转时间 (RTAT)。
干电极设置对分类精度的影响
摘要 — 要使运动想象脑机接口 (MI-BCI) 技术可用且在实验室外实际使用，主要挑战在于提供在分类准确性方面高效且易于安装的 EEG 系统，例如使用最少数量的干电极。我们假设最佳信号处理方法可能取决于所使用的（干）电极的数量。因此，我们首次比较了与不同干电极设置相关的分类准确性，即从 8 到 32 通道的 7 种配置，以及各种信号处理方法，即 (1) 正则化公共空间模式 (rCSP) + 线性判别分析，(2) rCSP + 支持向量机 (SVM)，(3) 到黎曼均值的最小距离和 (4) 黎曼切线空间中的 SVM。此离线比较针对 10 位参与者（每人一个会话）的数据进行。我们的结果表明，无论采用哪种方法，MI-BCI 性能在 8 和 12 个通道时都会显著下降（p < 0.01）。此外，方法 3 的性能最低（p < 0.05）。最后，博士后分析表明，方法 1 和 2 在电极数量最多（28 和 32）时性能最佳。对于方法 4，使用 20 和 24 个通道可获得最佳性能，这似乎是最佳组合（p < 0.05）。这些结果表明，根据所用电极数量选择信号处理管道非常重要。
脑不对称检测和机器学习分类用于诊断早期痴呆症“2279
摘要：早期识别人类大脑的退化过程对于提供适当的护理和治疗至关重要。这可能涉及检测大脑的结构和功能变化，例如左右半球之间不对称程度的变化。计算算法可以检测到变化，并用于痴呆症及其阶段（遗忘性早期轻度认知障碍 (EMCI)、阿尔茨海默病 (AD)）的早期诊断，并有助于监测疾病的进展。在这方面，本文提出了一种可以在商用硬件上实现的数据处理管道。它使用从阿尔茨海默病神经影像计划 (ADNI) 数据库的 MRI 中提取的大脑不对称特征来分析结构变化，并使用机器学习对病理进行分类。实验提供了有希望的结果，区分了认知正常 (NC) 的受试者和患有早期或进行性痴呆症的患者。经过测试的监督机器学习算法和卷积神经网络在 NC vs. EMCI 中的准确率分别达到 92.5% 和 75.0%，在 NC vs. AD 中的准确率分别达到 93.0% 和 90.5%。所提出的流程为痴呆症的分类提供了一种有前途的低成本替代方案，并且可能对伴有大脑不对称变化的其他大脑退行性疾病有用。
多路复用成像数据处理中公平质量控制的观点
多路复用成像方法越来越多地用于大型组织区域的成像，从样品的数量和每个样品的图像数据大小来产生大型成像数据集。由于从大量的染色目标中频繁的技术文物和异质性填充，可以简化多路复用图像的分析，因此已经开发出了自动化的管道，因此已经开发了自动化的管道，因此已经开发出了自动化的管道，因此已经开发出了自动化的管道。在这些管道中，一个处理步骤的输出质量通常取决于上一个步骤的输出和每个步骤的错误，即使它们显得很小，也可以传播和混淆结果。因此，在图像处理管道的每个不同步骤中，严格的质量控制（QC）对于正确分析和解释分析结果以及确保数据的可重复性至关重要。理想情况下，QC应该成为成像数据集和分析过程的组成部分且易于检索的部分。然而，当前可用的框架的局限性使交互式QC难以集成大型多重成像数据。鉴于多路复用成像数据集的大小和复杂性的增加，我们提出了将QC整合到图像分析管道中的不同挑战，并提出了可能建立在生物图像分析最新进展之上的可能解决方案。
检测脑外伤患者的认知疲劳......
由于其复杂性，从 fMRI 数据理解认知状态尚未得到充分研究。在这项工作中，理解 TBI 患者的认知疲劳的问题已被表述为多类分类问题。我们构建了一个时空编码器模型，使用卷积和 LSTM 作为构建块来提取空间特征并模拟 fMRI 扫描的 4D 特性。为了更好地表示数据和条件，我们使用了一种名为“对比学习”的自监督学习技术，使用公共数据集 BOLD5000 对我们的编码器进行预训练，并进一步微调我们的标记数据集以预测认知疲劳。此外，我们提供了一个 fMRI 数据集，其中包含来自创伤性脑损伤 (TBI) 患者和健康对照 (HC) 的扫描，同时执行一系列标准化的 N-back 认知任务。该方法建立了一种最先进的技术来分析 fMRI 数据的认知疲劳，并且优于以前使用不同模式解决此问题的方法。此外，我们的模型能够接收原始 fMRI 扫描（扫描仪直接输出的带有伪影的噪声图像），因此无需实施根据所用扫描仪而变化的手动信号处理管道。最后，我们研究不同大脑区域对 CF 的影响。在此数据集上，所提出的技术比最先进的方法高出 13% 以上。
Edge-Cloud协作流媒体视频分析，具有多代理深度强化学习
摘要 - 播放视频分析侧重于来自多个资源的流视频数据的实时分析，例如安全摄像机和具有视频功能的IoT设备。它涉及各种技术的应用，以从实时视频流中提取有价值的信息。边缘计算和云计算通过利用两端的计算资源来促进视频流分析，从而使高精度和低延迟均可有助于。但是，视频流动行为是动态的，并且在边缘和云中不断发展。网络条件，计算资源和视频内容可能会迅速变化，这使得连续调整分析方法至关重要，以提供准确的结果。以前的作品是基于深神经网络（DNN）或启发式算法的，从历史数据或合成数据中学习了适当的部署计划，用于流式传输视频分析应用程序，因此无法捕获动态。因此，我们提出了基于加强学习的方法，可以适应视频流行为的持续变化。为了确保在分布式环境中进行视频分析的可伸缩性，我们实现了Smotic G Ate 2，这是一个分布式流媒体视频分析系统，具有优化的处理管道和基于RL-RL-基于RL-RL-的控制器，以快速适应跨边缘和云的系统配置。在真实测试床上进行的实验表明，我们的方法优于基准，确保实时视频分析和在动态和分布式环境中的高精度。
增强学习
强化学习（RL）借助深度神经网络中的广告，使多样化的学科中的重大分解。一些早期的亮点是在计算机游戏中（Mnih等，2015），国际象棋和GO（Silver等，2016）和机器人技术（Lillicrap等，2015; Haarnoja等，2018b）。最近的高光包括开发有效的算法，例如矩阵乘法（Fawzi等，2022）和分类（Mankowitz等，2023）。RL在天文学上也有一些应用。Telescope automation is closely related to robotics and RL can be used in telescope control including adaptive optics (Nousiainen et al., 2022; Landman et al., 2021; Nousiainen et al., 2021) and adaptive reflective surface control (Peng et al., 2022) as well as in observation scheduling (Jia et al., 2023a,b, 2022）。进一步向下数据流，RL已应用于射电天文数据处理管道（Yatawatta and Avruch，2021; Yatawatta，2023）进行超参数调整。将模范天文学视为从观察望远镜到科学家的数据流或信息，我们可以看到RL的更多应用以帮助和完善这种流程并激发该出版物。几种方法属于机器学习的伞（ML）：监督学习是最常用的方法，在该方法中既可以赋予计算机的输入和所需的输出，以学习执行某个任务。无监督