XiaoMi-AI文件搜索系统
World File Search System形态学
酒精依赖成年男性患者与非酒精对照组的脑形态学和退行性变化的比较研究
摘要背景：长期饮酒会导致大脑产生多种形态和代谢影响，可使用 MRI 定量评估这些影响，以确定长期酗酒的影响。目的和目标：1. 在 MRI 上评估酗酒男性的大脑退行性变化。2. 将结果与年龄匹配的对照进行形态测量比较。方法：选择 50 名根据 DSM 5 标准确定的酒精使用障碍患者和 50 名年龄匹配的对照，并使用 MRI 检查。使用适当的统计分析工具比较形态测量结果。结果：比较酗酒患者大脑中的各种形态测量参数，发现以下方面存在高度显著差异（p<0.001）：第三脑室宽度、大脑半球间裂宽度、脑桥 AP 直径、第四脑室高度、第四脑室宽度、膝部、胼胝体压部和胼胝体部，表明它们在定量分析酗酒相关脑萎缩中起着关键作用。这些参数在饮酒时间最长的依赖性脑萎缩组中也发生了最大的变化。根据饮酒类型划分的亚组对这些参数的比较研究表明，最显著的实质萎缩变化发生在饮用 Desi Daru 的患者亚组中。研究中观察到的最常见的代谢紊乱是肝性脑病，其他包括韦尼克脑病、Marchiafava Bignami 和渗透性髓鞘病。结论：在饮酒组和非饮酒组中，大脑各种白质和灰质结构的形态学参数存在显著差异，这可以通过 MRI 定量证明。关键词：慢性酒精中毒的 MRI、酒精中毒者的形态学研究、肝性脑病韦尼克脑病、Marchiafava Bignami、渗透性髓鞘病。1
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
形态学中的熟悉，一致性和系统化
语言学习涉及暴露于不一致的系统 - 即存在多种模式或方法以标记某些含义的系统。不一致的系统通常会随着时间的流逝而变化更加规律 - 它们被系统化。然而，一些最近的研究报告说，学习者倾向于在输入中再现不一致，从而导致语言学习机制基本上是防腐剂的模型。我们使用一种新颖的范式进行了人工语言学习实验，以扩展我们对语言学习中系统化与保留机制的理解。参与者被教给两个数字标记系统，要么完全一致（系统的概率P为1.00）或不一致（一个系统的P = 0.875，另一个系统的p = 0.125，依此类推，依此类推，依此类推，依此类推，P = 0.75和P = 0.625）。一个标记系统是一个复数标记系统。另一个是一种类型的罕见的单态标记系统。在概括新项目时，参与者总体上产生的定期输出模式比较不一致的条件更一致，而对复数标记条件的输入状况要比单人标记的条件更多。对于单次标记条件，参与式的变化要比复数标记的变化要大得多。有些人系统地朝着更熟悉的模式系统化，有些是针对不太熟悉的模式系统化的，有些人与概率匹配没有显着差异。我们展示了一个具有两个免费参数的模型如何在任何给定情况下都可以在其系统化的倾向上有所不同。我们分析了与当前统计学习模型相关的变化，表明保存群岛学习模型以及所有具有单个自由参数的模型都无法捕获我们的结果。我们还讨论了对语言变化理论的影响。
原创文章 新生儿大脑皮层微观结构和形态学特征的开发
1 MRC 神经发育障碍中心，伦敦国王学院，伦敦，SE1 1UL，英国，2 萨克勒转化神经发育研究所，精神病学、心理学和神经科学研究所，伦敦国王学院，伦敦，SE5 8AF，英国，3 法医和神经发育科学系，精神病学、心理学和神经科学研究所，伦敦国王学院，伦敦，SE5 8AF，英国，4 围产期成像与健康系，生物医学工程与成像科学学院，发育大脑中心，伦敦国王学院，伦敦，SE1 7EH，英国，5 发育神经基因组学部门，国家心理健康研究所，马里兰州贝塞斯达 20892，美国，6 剑桥大学精神病学系，剑桥，CB2 0SZ，英国，7 生物医学工程系，生物医学工程与成像科学学院，伦敦国王学院， SE1 7EU，英国，8 伦敦帝国理工学院计算机系生物医学图像分析组，伦敦，SW7 2AZ，英国，9 萨格勒布大学电气工程与计算机学院，萨格勒布，10000，克罗地亚和 10 南伦敦和莫兹利 NHS 基金会信托，伦敦，SE5 8AZ，英国
基于形态学的机载激光雷达数据建筑物检测
摘要 激光雷达（lidar）技术的出现为三维建筑物检测提供了有前途的资源。由于去除植被的困难，大多数建筑物检测方法将激光雷达数据与多光谱图像融合以获取植被指数，而仅使用激光雷达数据的方法相对较少。然而，融合过程可能会导致分辨率和时间差异、阴影和高层建筑位移问题以及地理参考过程引入的误差。本研究提出了一种形态建筑物检测方法，通过逐步去除非建筑物像素来识别建筑物。首先，地面过滤算法将地面像素与建筑物、树木和其他物体分离。然后，分析方法使用大小、形状、高度、建筑物元素结构以及第一次和最后一次返回之间的高度差去除剩余的非建筑物像素。实验结果表明，该方法在奥斯汀市区的研究地点取得了不错的效果，总体准确率达到 95.46%。