XiaoMi-AI文件搜索系统
World File Search System纤维束
神经外科 - 重点
借助神经导航系统，可以进行非轴内手术。1–4 这些系统在手术开始时特别有效，可以确定经皮质入路的界限。然而，由于脑移位现象，这些系统在肿瘤切除过程中会失去精确度和可靠性。5 正如其他人所说，神经导航系统的使用并不能取代扎实的外科解剖知识。6,7 近几十年来，增强现实 (AR) 越来越受欢迎，在神经外科和神经科学领域的应用也越来越多。8–11 这项计算机技术提供了实时更新的解剖细节 3D 虚拟模型，叠加在真实的手术区域上。最近的创新通过智能手机、改装护目镜和手术显微镜增加了对这项技术的使用。12–16 在脑肿瘤切除术中对主要脑室和脑室周围解剖标志进行术中可视化对于保存这些标志至关重要，因此对患者的术后临床结果也至关重要。这些标志包括脑室周围血管、纤维束和基底神经节，这些都已在主要的解剖学研究中描述过。17–21 鉴于直接观察固有的困难，
原创文章 ICLE 遗传因素对人类大脑连接影响的半球间关系
要了解人类大脑线路中半球间差异和共性/耦合的起源，确定左右半球同源区域间连接是如何由遗传决定和关联的至关重要。为此，在本研究中，我们用高质量的扩散磁共振成像纤维束成像分析了人类双胞胎和家系样本，并估计了同源左右白质 (WM) 连接的遗传性和遗传相关性。结果表明，两个半球之间 WM 连接的遗传性相似且耦合，并且同源 WM 连接的遗传因素（即半球间遗传相关性）的重叠程度在整个大脑中差异很大：从完全重叠到完全不重叠。特别地，皮层下 WM 连接的遗传性明显强于皮层 WM 连接，并且遗传因素在半球间完全重叠的机会更高。此外，长距离连接的遗传性和半球间遗传相关性比短距离连接更强。这些发现突出了 WM 连接及其半球间关系背后的遗传学决定因素，并深入了解了健康和疾病状态下 WM 连接不对称的遗传基础。
在异常校正的透射电子显微镜中以高时间分辨率的原位光谱开发
探索原子量表的材料的结构和物理性质之间的相应关系仍然是科学中的基本问题。随着异常校正的透射电子显微镜（AC-TEM）的发展和超快光谱技术，亚角尺度空间分辨率和飞秒尺度的时间分辨率，可以通过措施来获得。但是，结合两种优势的尝试仍然是一个巨大的挑战。在这里，我们通过使用自设计和制造的TEM标本持有人来开发AC-TEM中高时间分辨率的原位光谱法，该标本持有人具有亚角尺度空间分辨率和femtosecondscale尺度的时间分辨率。我们设备的键和独特的设计是使用纤维束，它可以将聚焦的脉冲梁传递到TEM中，并同时收集光学响应。生成的聚焦点的尺寸小于2μm，并且可以在面积大于75×75μm2的平面中进行扫描。最重要的是，由玻璃纤维引起的阳性组速度分散由一对衍射光栅补偿，从而导致脉冲梁在TEM中的脉冲宽度约为300 fs（@ 3 MW）。现场实验，观察AC-TEM中CDSE/ZnS量子点的原子结构，并在此期间获得光致发光寿命（〜4.3 ns）。可以通过利用该设备在TEM中执行进一步的超快光谱法。
M-GCN：一种多模态图卷积网络，用于整合功能和结构连接组学数据来预测多维表型特征
我们提出了一种多模态图卷积网络 (M-GCN)，它整合了静息态 fMRI 连接和弥散张量成像纤维束成像来预测表型测量。我们的专门 M-GCN 过滤器在逐个主题的结构连接组的指导下，以拓扑方式作用于功能连接矩阵。结构信息的纳入还可充当正则化器，并有助于提取可预测临床结果的丰富数据嵌入。我们在来自人类连接组项目的 275 名健康个体和来自内部数据的 57 名被诊断为自闭症谱系障碍的个体上验证了我们的框架，以分别预测认知测量和行为缺陷。我们证明 M-GCN 在五重交叉验证环境中的表现优于几种最先进的基线，并从健康和自闭症人群中提取了预测性生物标志物。因此，我们的框架提供了表征灵活性，可以利用结构和功能的互补性质，并在训练数据有限的情况下将这些信息映射到表型测量。关键词：图卷积网络、功能连接组学、结构连接组学、多模态整合、表型预测、自闭症谱系障碍
提高基于生物混合肌肉的生物的性能......
材料的性能至关重要，如柔顺性、柔韧性以及与人机交互的整体安全性。通常，传统机器人材料的刚性和硬度限制了它们在某些医疗保健或生物医学领域的应用。[1–3] 材料科学的最新发展使得制造仿生软机器人成为可能，这种机器人能够执行一些简单类型的驱动 [4]，包括爬行、[5] 抓握 [6] 或改变形状 [7]，但它们仍然远远达不到生物体的复杂性和运动精细度。软机器人最受研究的应用之一是开发能够模仿哺乳动物天然肌肉组织性能的人造肌肉。肌肉组织本质上很复杂，既强壮又快速，同时通过其纤维束的有效自组织实现各种各样的运动。然而，目前的材料仍然缺乏完全复制这些特性的能力。 [8] 此外，人们强烈希望获得生物组织的其他特性，如自我修复、能源效率、功率重量比、适应性或生物传感等，但这些特性很难用人造软材料实现。[9] 生物混合机器人技术应运而生，作为一种协同策略，将生物实体和人造材料的最佳特性整合到更高效、更复杂的系统中，希望能克服当前软机器人面临的困难。已经提出了几种统一生物混合设备开发的策略
提高基于生物混合肌肉的生物的性能......
材料的性能至关重要，如柔顺性、柔韧性以及与人机交互的整体安全性。通常，传统机器人材料的刚性和硬度限制了它们在某些医疗保健或生物医学领域的应用。[1–3] 材料科学的最新发展使得制造仿生软机器人成为可能，这种机器人能够执行一些简单类型的驱动 [4]，包括爬行、[5] 抓握 [6] 或改变形状 [7]，但它们仍然远远达不到生物体的复杂性和运动精细度。软机器人最受研究的应用之一是开发能够模仿哺乳动物天然肌肉组织性能的人造肌肉。肌肉组织本质上很复杂，既强壮又快速，同时通过其纤维束的有效自组织实现各种各样的运动。然而，目前的材料仍然缺乏完全复制这些特性的能力。 [8] 此外，人们强烈希望获得生物组织的其他特性，如自我修复、能源效率、功率重量比、适应性或生物传感等，但这些特性很难用人造软材料实现。[9] 生物混合机器人技术应运而生，作为一种协同策略，将生物实体和人造材料的最佳特性整合到更高效、更复杂的系统中，希望能克服当前软机器人面临的困难。已经提出了几种统一生物混合设备开发的策略
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
机器学习的扩散 MRI
摘要 — 脑的弥散加权磁共振成像 (dMRI) 具有独特的功能，包括无创探测组织微结构和结构连接。它广泛用于疾病和损伤的临床评估以及神经科学研究。分析 dMRI 数据以提取用于医学和科学目的的有用信息可能具有挑战性。dMRI 测量可能会受到强噪声和伪影的影响，并且可能表现出数据在会话间和扫描仪间的高度可变性，以及脑结构在受试者间异质性。此外，测量值与感兴趣现象之间的关系可能非常复杂。近年来，机器学习方法在 dMRI 分析中的应用越来越多。本文旨在评估这些努力，重点关注解决数据预处理和协调、微结构映射、纤维束成像和白质束分析的方法。我们研究现有方法的主要发现、优点和缺点，并提出未来研究的主题。我们发现机器学习可能非常适合解决 dMRI 分析中的一些困难任务。然而，要实现这一点，需要解决现有方法的几个缺点和尚未解决的关键问题。迫切需要改进评估实践，增加丰富的训练数据集和验证基准的可用性，以及模型的通用性、可靠性和可解释性问题。
人类的视觉皮层流
本文描述的追踪通路的方法包括对来自同一组 171 名人类连接组计划参与者的 7T 结构和功能 MRI 数据执行的扩散纤维束成像 (Huang et al., 2021)、功能连接和有效连接 (Ma et al., 2022; Rolls et al., 2022a; Rolls et al., 2022b; Rolls et al., 2023a; Rolls et al., 2023b; Rolls et al., 2023d)，以及对 88 名人类连接组计划 (Larson-Prior et al., 2013) 参与者执行的脑磁图 (Rolls et al., 2023c)。扩散拓扑图测量的是大脑区域之间的直接解剖通路，而不是方向，不提供有关连接方向的证据，并且在上述研究中，功能和有效连接可以作为有益的补充，因为扩散纤维束成像有时可能会在通路交叉的地方产生假阳性，并且可能会错过一些特别长的通路。功能连接是通过一对皮质区域中的 BOLD 信号之间的 Pearson 相关性来衡量的，可能反映间接相互作用和共同输入，并且不提供有关任何影响方向的证据。然而，高功能连接确实反映了一对大脑区域的相互作用程度，并且确实反映了功能，因为它在静息状态和任务执行之间是不同的。本文描述的调查中使用了静息状态连接，因为它可以提供一个基本的连接矩阵，即使参与者可能无法执行特定任务（如某些精神障碍），也可以对其进行调查。有效连接旨在衡量两个大脑区域在每个方向上相互影响的程度，并利用时间延迟来估计有时被描述为因果关系的东西。有效的连接对于测量皮质区域之间尤其重要，因为至少在皮质层次结构中，解剖结构是不对称的，通常皮质层 2 和 3 向前投射到下一个皮质区域的层 2 和 3，而反向投影往往起源于更深的皮质层，并投射回前一个皮质区域的层 1，终止于皮质锥体细胞的顶端树突，因此可能具有较弱的影响，可以通过自下而上的前向输入分流（Markov et al., 2013; Markov and Kennedy, 2013; Markov et al., 2014; Rolls, 2016, 2023）。我们测量的有效连接被描述为全脑生成有效连接，因为它是可以生成所有 360 个皮质区域之间的功能连接和延迟功能连接（fMRI 为 2 秒，MEG 为 20 毫秒）的有效连接矩阵，并使用基于相互作用的 Stuart-Landau 振荡器的皮质连接模型的 Hopf 算法（Deco 等人，2019 年；Rolls 等人，2022b 年；Deco 等人，2023 年；Rolls 等人，2023c 年）。
人类听觉皮层连接
为了了解听觉皮层处理过程，我们在 171 名人类连接组计划参与者中测量了 15 个听觉皮层区域和 360 个皮层区域之间的有效连接，并辅以功能连接和扩散纤维束成像。1. 确定了听觉皮层处理的层次结构，从核心区域（包括 A1）到带区 LBelt、MBelt 和 52；然后到 PBelt；然后到 HCP A4。2. A4 与前颞叶 TA2 和 HCP A5 相连，后者连接到背侧颞上沟 (STS) 区域 STGa、STSda 和 STSdp。这些 STS 区域还接收有关移动面部和物体的视觉输入，这些信息与听觉信息相结合，有助于实现多模态物体识别，例如谁在说话以及说了什么。与此“什么”腹侧听觉流一致，这些 STS 区域随后与 TPOJ1、STV、PSL、TGv、TGd 和 PGi 具有有效连接，这些区域是与布罗卡区（尤其是 BA45）连接的语言相关语义区域。3. A4 和 A5 还与 MT 和 MST 具有有效连接，后者连接到顶叶上部区域，形成与空间动作有关的背侧听觉“哪里”流。PBelt、A4 和 A5 与 BA44 的连接可能形成与语言相关的背侧流。