XiaoMi-AI文件搜索系统
World File Search System影像学
神经系统疾病和妇女健康：分子神经影像学技术的贡献
*核医学系，卫生科学大学，Sisli Hamidiye etfal教育与研究医院，土耳其伊斯坦布尔。y LMU大学医院核医学系，德国慕尼黑路德维希 - 马克西利亚人 - 大学。 Z医学系LMU大学医院，路德维希 - 马克西米利人 - 大学，慕尼黑，德国。 X荷兰乌得勒支大学医学中心放射与核医学系。 ║比利时根特大学医院放射与核医学系。 {核医学部，生物医学成像和图像引导疗法系，维也纳医科大学，奥地利维也纳。 ＃土耳其安卡拉加兹大学核医学系。 **核医学和分子成像部，诊断系，日内瓦大学医院，日内瓦大学医学院，CIBM CIBM生物医学成像中心，瑞士日内瓦。 yy核医学部门，AOU citt a della salute e della scienza di Torino，都灵大学，都灵，意大利都灵。 Silvia Morbelli得到了意大利大学与研究部（MIUR）的赠款（Bando Prin 2022 Prot。）的赠款。 2022WK7NHC）。 Valentina Garibotto得到了瑞士国家科学基金会（Projects 320030_169876、320030_185028和IZSEZ0_188355），由Velux Foundation（Project 1123），由Schmidheiny Foundation，Boninchi Foundation，Boninchi Foundation，Boninchi Foundation，AETAS基金会。 电子邮件：ozgulek@gmail.comy LMU大学医院核医学系，德国慕尼黑路德维希 - 马克西利亚人 - 大学。Z医学系LMU大学医院，路德维希 - 马克西米利人 - 大学，慕尼黑，德国。 X荷兰乌得勒支大学医学中心放射与核医学系。 ║比利时根特大学医院放射与核医学系。 {核医学部，生物医学成像和图像引导疗法系，维也纳医科大学，奥地利维也纳。 ＃土耳其安卡拉加兹大学核医学系。 **核医学和分子成像部，诊断系，日内瓦大学医院，日内瓦大学医学院，CIBM CIBM生物医学成像中心，瑞士日内瓦。 yy核医学部门，AOU citt a della salute e della scienza di Torino，都灵大学，都灵，意大利都灵。 Silvia Morbelli得到了意大利大学与研究部（MIUR）的赠款（Bando Prin 2022 Prot。）的赠款。 2022WK7NHC）。 Valentina Garibotto得到了瑞士国家科学基金会（Projects 320030_169876、320030_185028和IZSEZ0_188355），由Velux Foundation（Project 1123），由Schmidheiny Foundation，Boninchi Foundation，Boninchi Foundation，Boninchi Foundation，AETAS基金会。 电子邮件：ozgulek@gmail.comZ医学系LMU大学医院，路德维希 - 马克西米利人 - 大学，慕尼黑，德国。X荷兰乌得勒支大学医学中心放射与核医学系。║比利时根特大学医院放射与核医学系。{核医学部，生物医学成像和图像引导疗法系，维也纳医科大学，奥地利维也纳。＃土耳其安卡拉加兹大学核医学系。**核医学和分子成像部，诊断系，日内瓦大学医院，日内瓦大学医学院，CIBM CIBM生物医学成像中心，瑞士日内瓦。yy核医学部门，AOU citt a della salute e della scienza di Torino，都灵大学，都灵，意大利都灵。Silvia Morbelli得到了意大利大学与研究部（MIUR）的赠款（Bando Prin 2022 Prot。2022WK7NHC）。Valentina Garibotto得到了瑞士国家科学基金会（Projects 320030_169876、320030_185028和IZSEZ0_188355），由Velux Foundation（Project 1123），由Schmidheiny Foundation，Boninchi Foundation，Boninchi Foundation，Boninchi Foundation，AETAS基金会。电子邮件：ozgulek@gmail.com纳塔莉·阿尔伯特（Nathalie Albert）获得了诺华/高级加速器应用程序，Telix Pharmaceuticals和Servier的咨询或顾问委员会参与的酬金，以及Novocure的研究资金。Kathrin Heinrich从Roche，Taiho，BMS，Merck，Servier，MSD（机构），Merck，Merck，Janssen和Amgen，Merck，Servier的支出中获得了酬金。地址转载请求向Ozgul Ekmekcioglu，核医学系，核医学系，Sisli Hamidiye Etfal教育和研究医院，Halaskargazi Cad。
儿童注意力缺陷多动障碍病因及神经影像学研究进展
注意力缺陷多动障碍 (ADHD) 是一种常见的神经发育障碍，其特征是广泛的多动、冲动和/或注意力不集中的行为，从而损害日常生活功能。值得注意的是，据估计，ADHD 的全球患病率为 7.2% ( 1 , 2 )。特别是在中国，约有 6.4% 的儿童患有 ADHD ( 3 )。50% 到 60% 的 ADHD 患者会出现长期临床症状，通常与其他疾病并存，即焦虑症、对立面障碍和抽动障碍。这些疾病会增加自杀和犯罪的风险，并对家庭和社会产生重大的负面影响 ( 4 , 5 )。ADHD 病因复杂，通常归因于遗传和环境因素的共同作用 ( 6 , 7 )。研究表明，大脑结构异常，例如多动症患者的脑容量和皮质表面积减少，可导致大脑功能紊乱，从而造成执行功能障碍和各种临床症状，包括冲动、多动和注意力不集中 ( 7 , 8 )。
使用预先训练的深度学习模型对 EEG 数据进行内部学习......
内在语言是一种内化的语言，人们用这种语言思考纯粹的意义。从大脑活动数据中解码内在语言不仅可以促进残障患者的交流，还可以帮助健康人整理思路，提高对元认知的理解。在之前的研究中，一种名为 EEGNet 的 EEG 数据深度学习模型被用于内在语言解码。然而，它在 4 类分类任务中只达到了 30% 的准确率。数据稀缺和内在语言解码固有的难度可能是原因，但这项研究假设以前的研究中特征提取不足。为了提高解码内在语言的准确性，使用迁移学习被认为是更有效的；在这种学习中，模型事先在不同的数据集上进行训练，然后针对目标数据进行微调。然而，迁移学习尚未应用于内在语言，甚至尚未应用于 EEG 数据。迁移学习对不同任务的脑电图数据或非脑电图数据的有效性尚未得到充分验证。本研究通过使用不同任务的脑电图数据和非脑电图数据对公开的内部语音数据集进行迁移学习，验证了特征提取的改进。结果证实，使用来自不同受试者的数据的迁移学习可以提高内部语音的准确性，但使用来自不同任务的脑电图数据的迁移学习则不会。另一方面，对于图像数据集，通过冻结某些层可以确认准确性的提高，即使数据的性质与脑电图数据不同。
从无人机影像生成真正射影像
关键词：自动化、匹配、真正射影像、无人机 摘要：本文介绍了一种利用无人机平台获取的图像生成真正射影像的摄影测量方法。该方法是一种自动化的多步骤工作流程，由三个主要部分组成：(i) 通过基于特征的匹配和共线方程/束块调整进行图像定向，(ii) 使用能够管理多幅图像的相关技术进行密集匹配，以及用于 3D 模型纹理化的真正射影像映射。它允许对稀疏的收敛图像块进行自动数据处理，以获得最终的真正射影像，其中考虑了诸如自遮挡、鬼影效应和多重纹理分配等问题。本文通过一个关于无人机飞越意大利拉奎拉圣玛丽亚教堂的真实案例研究，阐述和讨论了不同的算法。最终结果是一张严格的真正射影像，用于检查大教堂的屋顶，该教堂在 2009 年的地震中遭到严重损坏。
人工智能在临床诊断中的应用
1 ）美国国家科学、工程和医学院医学研究所。人非圣贤，孰能无过。华盛顿哥伦比亚特区：美国国家科学院出版社；2001。 2 ）美国国家科学、工程和医学院医学研究所。改善医疗保健诊断。华盛顿哥伦比亚特区：美国国家科学院出版社；2016。 3 ） Rajkomar A，Dean J，Kohane I。医学中的机器学习。N Engl J Med 2019；380：1347―58。 4 ） Crombie DL。诊断过程。J Coll Gen Pract 1963；6：579―89。 5 ） Sandler G。临床医学中病史的重要性以及不必要检查的成本。Am Heart J 1980； 100: 928 ― 31。6）Heneghan C，Glasziou P，Thompson M，Rose P，Balla J，Lasserson D 等. 初级保健中使用的诊断策略. BMJ 2009; 338: b946。7）Shimizu T，Tokuda Y. 枢轴和集群策略：预防诊断错误的措施. Int J Gen Med 2012; 5: 917 ― 21。
神经影像学和电生理学中动态 FC 估计的稳定性：解决方案和限制
* 通讯作者 临床医学系，功能整合神经科学中心，奥胡斯大学，Universitetsbyen 3，8000 奥胡斯，丹麦。 dvidaurre@cfin.au.dk 摘要 能够绘制大脑活动的时空组织是进一步了解人类认知基础的重要一步。这激发了人们对时变功能连接 (FC) 方法的兴趣，该方法旨在描述整个大脑区域之间统计耦合的演变。神经影像学和电生理学中已经提出了几种方法来表征时变 FC。这些方法经常被忽视的问题是，即使对于相同的数据，它们的估计在推理运行过程中也常常不稳定；也就是说，不同的运行会产生不同的结果。但为了与行为建立有意义的关系，估计必须是稳健且可重复的。我们专注于时变 FC 的生成模型隐马尔可夫模型 (HMM)，提出了两种解决此问题的方法。首先，我们考虑多次运行推理，根据衡量数据适应度和模型简单性（此处为自由能）的定量指标对运行进行排名，并选择得分最高的模型。其次，我们引入了一种新方法，称为连接主成分分析 (PCCA)，该方法通过将不同的估计值重构为稳定的潜在时变 FC 模式，明确利用 HMM 推理的多变性。我们在两个独立的 fMRI 和 MEG 数据集上讨论和比较了这些方法，显示了它们在多大程度上提高了标准时变 FC 估计的稳定性。关键词：估计噪声；隐马尔可夫模型；连接主成分分析；时变 FC；可复制性；可重复性 1. 简介 大脑功能架构的一个重要方面是如何将不同区域组合成功能网络，以及这些网络如何在许多空间和时间尺度上动态组织 (Laughlin and Sejnowski, 2003)。映射这些功能关系最广泛使用的指标之一是功能连接 (FC)，它是衡量大脑区域对之间统计依赖关系的指标 (Friston, 1994)。最近，对这些相互依赖关系的时间属性的探索揭示了 FC 在会话内存在有意义的波动，这两者都来自功能性磁共振成像 (fMRI；Fornito 和 Bullmore, 2010；Karapanagiotidis 等人，2020；Liégeois 等人，2019；Lurie 等人，2020；Vidaurre 等人，2021、2018、2017；Xie 等人，2018)。不幸的是，部分由于用于估计随时间变化的 FC 的分析工具种类繁多及其固有的局限性（Dafflon 等人，2022 年），跨研究比较结果并不总是那么容易。我们在这里关注的问题是估计噪声。任何推理依赖于优化过程的方法，例如隐马尔可夫模型 (HMM)，即使我们使用相同的数据，在推理过程中也会发生变化。也就是说，估计可能会不稳定，具体取决于数据量和模型复杂性等因素 (Vidaurre et al., 2019)。对于更简单的方法也是如此，例如独立成分分析 (ICA；Beckmann
对强迫症的心理治疗和药理治疗的结构神经影像学标记的系统综述
识别与治疗反应和治疗性变化的假定机制相关的个体差异因素可能会改善对强迫症（OCD）的治疗。我们对心理疗法的结构神经影像学标记（即形态计量学，结构连通性）和OCD的药物治疗反应的系统综述26符合条件的出版物（平均研究总计n = 54±41.6 [范围：11-175] [范围：11-175]； OCD组n = 29±19±19±19），以及成人的脑海中，以及成人的脑海中，成人的脑海中，成人的脑海中，适用于Adection n = 29±19）。作为与治疗相关的大脑结构变化。研究结果在整个研究中不一致。前扣带回皮层内（3/5区域，2/8全脑研究）和眶额皮层（5/10区域，2/7全脑研究）中的显着关联是最常见的，但后期性和方向性并不总是一致的。治疗反应的结构性神经影像学标记当前不具有临床实用性。给出越来越多的证据表明，复杂行为与大脑结构之间的关联的特征是小但有意义的效果，可能需要更大的样本。多元方法（例如机器学习）也可以改善神经影像数据的临床预测效用。
发现 COVID-19 患者严重炎症的潜在影像学和治疗靶点
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2020 年 7 月 21 日发布。；https://doi.org/10.1101/2020.07.20.213082 doi：bioRxiv preprint
神经影像学时间序列中的箭头 - 标识脑功能的因果触发器
图4箭头识别运动任务中的时空定位因果效应。（a）在运动任务范式中，因果效应（τ，顶部），活动（中间）和连通性（底部）的度量。范式由运动时期（左右手和脚，舌头）组成，被休息块隔开。（b）左半球大脑区域的因果效应的详细视图，显示了面板（a）（舌运动）突出显示的间隔中最强的AOT波动。正值表明该区域充当因果效应的下水道，而负值表明该区域是因果关系的来源。（c）面板（b）中四个大脑区域的可视化以及当受试者开始移动舌头时招募的假定因果途径。VIS24和PFC13之间的虚线表示，这两个区域之间的直接信息流不能仅从分析的四个区域中推断出来，并且可能涉及中间体。