XiaoMi-AI文件搜索系统
World File Search System纤维束
大脑通讯
负责运动活动的大脑区域发生中风后，患者可能会失去控制身体某些部位的能力。随着时间的推移，一些患者几乎完全康复，而另一些患者则几乎完全康复。众所周知，病变体积、初始运动障碍和皮质脊髓束不对称会显著影响随时间推移的运动变化。最近的研究表明，残疾不仅来自局部结构变化，还来自区域间连接的广泛改变。考虑整个网络损伤而不是仅考虑局部结构改变的模型可以更准确地预测患者的康复情况。然而，评估中风患者的白质连接具有挑战性且耗时。在这里，我们在 37 名患者的数据集中评估了我们是否可以通过使用患者的病变掩模在 60 个健康流线型纤维束成像连接组中引入虚拟病变而获得的大脑连接测量来预测上肢运动恢复。这种对中风对整个大脑连接组影响的间接估计比通过磁共振成像获得的结构连接直接测量更容易获得。我们将这些指标添加到基准结构特征中，并使用岭回归正则化来预测受伤后 3 个月的运动恢复情况。正如假设的那样，与基准特征 (R 2 = 0.38) 相比，预测准确度显著提高 (R 2 = 0.68)。这种改进的恢复预测可能对临床护理有益，并可能允许更好地选择干预措施。
大脑通讯 - 信息科学
负责运动活动的大脑区域发生中风后，患者可能会失去控制身体某些部位的能力。随着时间的推移，一些患者几乎完全康复，而另一些患者则几乎完全康复。众所周知，病变体积、初始运动障碍和皮质脊髓束不对称会显著影响随时间推移的运动变化。最近的研究表明，残疾不仅来自局部结构变化，还来自区域间连接的广泛改变。考虑整个网络损伤而不是仅考虑局部结构改变的模型可以更准确地预测患者的康复情况。然而，评估中风患者的白质连接具有挑战性且耗时。在这里，我们在 37 名患者的数据集中评估了我们是否可以通过使用患者的病变掩模在 60 个健康流线型纤维束成像连接组中引入虚拟病变而获得的大脑连接测量来预测上肢运动恢复。这种对中风对整个大脑连接组影响的间接估计比通过磁共振成像获得的结构连接直接测量更容易获得。我们将这些指标添加到基准结构特征中，并使用岭回归正则化来预测受伤后 3 个月的运动恢复情况。正如假设的那样，与基准特征 (R 2 = 0.38) 相比，预测准确度显著提高 (R 2 = 0.68)。这种改进的恢复预测可能对临床护理有益，并可能允许更好地选择干预措施。
对执行白质学分割的自动化方法的系统综述
白质区域分割是一个关键的研究领域，该研究领域利用扩散加权的磁共振成像（DMRI）来识别和映射单个白质区域及其轨迹。本研究旨在提供有关脑DMRI扫描中白质区域分割的自动化方法的全面系统文献综述。有关PubMed的文章，ScienceDirect [神经图像，神经图像（临床），医学图像分析]，Scopus和IEEExplore数据库以及医学成像计算和计算机辅助干预协会（MICCAI）（MICCAI）（MICCAI）和国际生物医学成像（ISBI）的国际审核组织（ISBI）的会议记录。此系统搜索和评论确定了619篇文章。使用查询“白质区分割或纤维道识别或纤维束分割或拖拉术解剖或白质分割或区域分割”来遵守指定的搜索标准。其中，有27％采用基于直接体素的方法，25％应用基于流线的聚类方法，20％使用基于流线的分类方法，14％实施了基于ATLAS的方法，以及14％使用的混合方法。本文深入研究了与每个类别相关的研究差距和挑战。此外，这篇评论论文阐明了最常使用的公共数据集，以进行管段分割及其特定特征。此外，它提出了评估策略及其关键属性。审查以详细讨论该领域的挑战和未来方向进行了详细讨论。
人类海马记忆系统的有效连接
基于静息态血氧水平依赖性信号，对人类海马记忆系统的有效连接进行了测量，以揭示连接的方向性和强度，研究者对参与人类连接组计划的 172 名参与者进行了测量。腹侧“什么”海马流涉及颞叶皮质、周嗅皮质和海马旁 TF 皮质以及内嗅皮质。背侧“哪里”海马流将顶叶皮质与后扣带皮层和扣带后皮质以及海马旁 TH 皮质连接起来，后者又投射到与海马体相连的前下托。第三条流涉及眶额皮质和腹内侧前额皮质，与海马体、内嗅皮质和周嗅皮质具有有效连接。与海马体的前向连接通常比后向连接强。因此，独立的“什么”、“哪里”和“奖励”流可以在海马体中汇聚，然后反向投射从那里返回到源头。然而，与简单的双流海马体模型不同，存在与奖励价值相关的第三条流；在到达海马体之前，这些系统之间存在一些交叉连接；海马体与内嗅皮层和前下托之前的处理阶段具有一些有效的连接。这些发现补充了扩散纤维束成像，并为人类海马体记忆系统运作的新概念奠定了基础。
使用双峰脑电图进行多目标运动想象训练...
传统康复技术存在局限性，大多数患者在卒中后 1 年恢复情况不佳。因此，神经反馈 (NF) 或脑机接口在卒中康复中的应用越来越受到关注。事实上，NF 有可能增强对目标皮质区域的意志控制，从而影响运动功能恢复。然而，目前的实施受到所用特定成像方式的时间、空间或实际约束的限制。在这项试点工作中，也是在文献中首次，我们应用双模 EEG-fMRI NF 对四名具有不同卒中特征和运动障碍严重程度的卒中患者进行上肢卒中恢复。我们还提出了一种新颖的多目标训练方法，引导训练激活同侧初级运动皮质。除了 fMRI 和 EEG 结果外，我们还使用纤维束成像评估皮质脊髓束 (CST) 的完整性。初步结果表明我们的方法可行，并显示出其有可能根据中风缺陷的严重程度诱导同侧运动区域的增强激活。只有两名 CST 和皮质下病变保留的患者成功上调了同侧初级运动皮质，并表现出上肢运动功能改善。这些发现强调了考虑中风患者群体差异的重要性，并使我们能够确定未来临床研究设计的纳入标准。
嗅觉或认知障碍的 COVID-19 患者的大脑微结构和连接
缩写：ACC，前扣带皮层；ACE2，血管紧张素转换酶2；ALFF，振幅低频波动；BBB，血脑屏障；BCT，脑连接工具箱；CC，胼胝体；CMB，脑微出血；COMMIT2，微结构信息纤维束成像2的凸优化模型；CSD，约束球面反卷积；DT，扩散张量；DW-MRI，扩散加权MRI；FA，分数各向异性；FBA，基于固定单元的分析；FC，纤维横截面；FD，纤维密度；FDC，纤维密度和横截面；FOD，纤维方向分布；FOV，视野；GM，灰质；ICU，重症监护病房；MD，平均扩散率； N Acc，伏隔核；NBS，基于网络的统计数据；OFC，眶额皮质；RT-PCR，实时逆转录聚合酶链反应；SyN，对称标准化；UF，钩束；WM，白质。* 通讯作者：意大利马里奥内格里 IRCCS 农业研究所生物医学工程系，Villa Camozzi via GB Camozzi, 3, 24020 Ranica (BG)。电子邮件地址：alberto.arrigoni@marionegri.it (A. Arrigoni)、sara.bosticardo@univr.it (S. Bosticardo)、gpezzetti@asst-pg23.it (G. Pezzetti)、sofia.poloni@ marionegri.it (S. Poloni)、serena.capelli@marionegri.it (S. Capelli)、 anapolitano@asst-pg23.it (A. Napolitano), andrea.remuzzi@unibg.it (A. Remuzzi), rzangari@ fontazionefrom.it (R. Zangari), llorini@asst-pg23.it (FL Lorini), msessa@asst-pg23.it (M. Sessa), alessandro.daducci@univr.it （A. 达杜奇），anna.caroli@marionegri.it （A. Caroli），sgerevini@asst-pg23.it（S. Gerevini）。
估计与从大麻茎中恢复DNA有关的偏差，以进行微生物群落研究
摘要工业大麻植物大麻是纺织品和生物复合材料应用的植物纤维的来源。收获后，植物的茎被布置在地面上，并由自然存在于土壤和茎上的微生物（细菌和真菌）定植。通过产生降解植物壁聚合物的水解酶，将纤维束结合在一起的自然水泥被去除，从而促进其解离（递减过程），这是生产高性能纤维所必需的。要研究屈曲微生物群落的时间动力学（密度水平，多样性和结构），必须从茎中提取基因组DNA的可靠方案。然而，尽管对最终结果的重要性至关重要，但对核酸提取的方法学方面的关注很少。选择了三个方案并测试了三个方案：商业套件（用于土壤的FastDNA™自旋套件），GNS-GII程序和Genosol平台的自定义程序。在土壤和两种不同的大麻茎上进行了比较分析。通过评估提取的DNA的数量和质量以及细菌和真菌种群的丰度和分类法来衡量每种方法的效率。与其他两个方案相比，Genosol方案在基因组DNA的数量和质量方面提供了有趣的产量。然而，两种提取程序（FastDNA™旋转试剂盒和Genosol方案）之间微生物多样性中没有观察到重大差异。基于这些结果，FastDNA™自旋试剂盒或Genosol程序似乎适用于研究重度过程的细菌和真菌群落。应注意的是，这项工作已经证明了评估与大麻茎中DNA恢复相关的偏见的重要性。
基于深度学习的扩散 MRI 脑组织分割
从扩散磁共振成像 (dMRI) 中分割脑组织类型是一项重要任务，有助于量化脑微结构并改进纤维束成像。当前的 dMRI 分割主要基于注册到 dMRI 空间的解剖 MRI (例如 T1 和 T2 加权) 分割。然而，与解剖 MRI 相比，dMRI 中的图像失真更多且图像分辨率更低，因此这种模态间配准具有挑战性。在本研究中，我们提出了一种用于扩散 MRI 分割的深度学习方法，我们将其称为 DDSeg。我们提出的方法从来自人类连接组计划 (HCP) 的高质量图像数据中学习组织分割，其中解剖 MRI 与 dMRI 的配准更为精确。然后，该方法能够直接从新的 dMRI 数据（包括使用不同采集协议收集的数据）预测组织分割，而无需解剖数据和模态间配准。我们训练卷积神经网络 (CNN) 来学习组织分割模型，使用一种新颖的增强目标损失函数来提高组织边界区域的准确度。为了进一步提高准确度，我们的方法将表征非高斯水分子扩散的扩散峰度成像 (DKI) 参数添加到传统的扩散张量成像参数中。DKI 参数是根据最近提出的平均峰度曲线方法计算得出的，该方法可以校正不合理的 DKI 参数值并提供区分组织类型的附加特征。我们在 HCP 数据上展示了较高的组织分割准确度，并且在将 HCP 训练模型应用于来自其他采集的分辨率较低且梯度方向较少的 dMRI 数据时也表现出较高的组织分割准确度。
轻度创伤性脑损伤后的生活
摘要背景：创伤性脑损伤 (TBI) 可改变脑结构并导致持续性神经心理症状的出现。本研究使用多模式磁共振成像研究轻度 TBI 后脑损伤与心理困扰之间的关系。方法：纳入了来自 TRACK-TBI（创伤性脑损伤研究和临床知识转化）试点研究的 89 名轻度 TBI 患者。简明症状量表 18 的抑郁、焦虑和躯体化分量表被用作创伤事件发生后约 6 个月心理困扰的结果测量。使用格拉斯哥昏迷量表评分评估恢复情况。磁共振成像数据在受伤后 2 周内获取。使用增强型 PVS 分割方法分割血管周围间隙 (PVS)，并计算整个大脑和白质区域的体积分数。在 FreeSurfer 中计算皮质厚度和灰质结构体积；使用定量成像工具包提取扩散成像指数和多纤维束。分析时考虑年龄、性别、颅内容量、教育程度和出院时改善水平作为协变量。结果：后扣带回、梭状回和中央后区域的 PVS 分数与躯体化症状有关。抑郁、焦虑和躯体化症状与额岛叶和枕极的皮质厚度、壳核和杏仁核体积以及皮质脊髓束和丘脑上放射有关。还分别对两个半球进行分析以探索侧化。结论：本研究表明 PVS、皮质和微观结构变化如何预测轻度 TBI 患者抑郁、焦虑和躯体化症状的发生。
TractLearn：用于脑束定量分析的测地线学习框架
基于深度学习的卷积神经网络最近已证明其能够基于弥散加权成像快速分割主要脑束结构。脑束的定量分析则依赖于来自纤维束成像过程本身或束上每个体素的指标。在疾病的背景下，对异常体素的统计检测通常依赖于单变量和多变量统计模型，例如一般线性模型 (GLM)。然而，在高维低样本量数据的情况下，尽管通常使用平滑过程，但由于解剖学差异，GLM 通常意味着对照的标准差范围较大。这可能导致难以在体素尺度上检测到脑束中细微的定量变化。在这里，我们介绍了 TractLearn，这是一个使用测地线学习作为数据驱动学习任务的脑束定量分析统一框架。 TractLearn 允许使用黎曼方法在图像高维域和脑束的减少潜在空间之间进行映射。我们通过重测采集多壳扩散 MRI 数据说明了该方法对健康人群的稳健性，表明可以分别研究不同 MRI 会话导致的整体影响和局部束改变的影响。然后，我们在 5 名年龄匹配的轻度脑外伤受试者样本上测试了我们算法的效率。我们的贡献是提出：1/ 一种捕捉控制变异性的流形方法作为标准参考，而不是基于欧几里得均值的图谱方法。2/ 一种检测体素定量值整体变化的工具，它考虑了结构中体素的相互作用，而不是独立分析体素。3/ 一种即用型算法，用于突出显示扩散 MRI 指标的非线性变化。在这方面，TractLearn 是一个可立即使用的精准医疗算法。