XiaoMi-AI文件搜索系统
World File Search System结构连接
通过结构连接分析和机器学习模型
摘要：重度抑郁症（MDD）和躁郁症（BD）具有临床特征，这使它们在临床环境中的分化变得复杂。本研究提出了一种创新的方法，该方法将结构连接分析与机器学习模型集成在一起，以辨别出BD个体的MDD个体。高分辨率MRI图像是从诊断为MDD或BD和HCS的个体中获得的。结构连接组，以使用高级图理论技术代表大脑区域的复杂相互作用。机器学习模型用于辨别与MDD和BD相关的独特连接模式。在全球范围内，与HC组相比，BD和MDD患者均表现出小世界的增加。在节点水平上，与HCS相比，BD和MDD患者在右杏仁核和右Parahippocampal Gyrus中的结节参数差异很大。主要的差异主要在BD的前额叶区域中发现，而MDD的特征是左Thalamus和默认模式网络中的异常。与MDD组相比，BD组证明了在额叶网络中的淋巴结参数的改变。此外，使用结构性大脑参数的机器学习模型的应用表明，在将BD与MDD的个体区分个体的个人分开时，具有令人印象深刻的90.3％精度。这些发现表明，结构连接组和机器学习可以提高诊断准确性，并可能为理解这些精神疾病的独特神经生物学特征提供宝贵的见解。
大脑活动统计数据并反映结构连接
摘要 大脑内源性活动模式反映了对神经元状态空间的随机探索，这种探索受到神经元底层组装组织的限制。然而，还有待证明的是，神经元及其组装动力学之间的这种相互作用确实足以生成全脑数据统计数据。在这里，我们同时记录了斑马鱼幼虫中约 40,000 个神经元的活动，并表明数据驱动的神经元组装相互作用生成模型可以准确再现其自发活动的平均活动和成对相关统计数据。该模型，即组合受限玻尔兹曼机 (cRBM)，揭示了约 200 个神经组件，它们组成神经生理回路，其各种组合形成连续的大脑状态。然后，我们进行了计算机扰动实验，以确定区域间功能连接，该连接在个体动物之间是保守的，并且与结构连接有很好的相关性。我们的研究结果展示了 cRBM 如何捕捉斑马鱼大脑的粗粒度组织。值得注意的是，这种生成模型可以轻松部署来解析通过其他大规模记录技术获得的神经数据。
映射场景网络的功能和结构连接
图 3 左半球核心场景区域和皮质灰质之间测量的基于种子的功能连接对比。统计叠加图显示了 FWER 校正的 TFCE p 值，用于对受试者种子区域之间的功能连接相关性进行配对样本测试。注释表示核心场景（OPA、PPA、RSC；黑色轮廓）和 cIPL（绿色轮廓）区域的位置。
精神病患者意识障碍与大脑结构连接改变有关
1 巴黎大学医院集团精神病学和神经科学，大学医院部门大学医院中心巴黎 15，75014 巴黎，法国，2 巴黎萨克雷大学，CEA，Neurospin，F-91191，吉夫河畔伊维特，法国，3 认知神经科学研究所，伦敦大学学院，伦敦 WC1E 6BT，英国，4 成人精神病学系，Pitié Salpêtrière 大学医院，75013 巴黎，法国，5 AP-HP，H. Mondor 大学医院，DMU IMPACT，FHU ADAPT，F-94010，克雷泰伊，法国，6 神经科学中心，圣路易斯医院集团，Lariboisière Fernand Widal Assistance Publique-Hospitals of Paris，75010 巴黎，法国，7 巴斯德医学中心， 94550 Chevilly-Larue，法国，8 康塞普西翁大学工程学院，康塞普西翁 4070386，智利，9 巴黎东克雷泰伊大学，INSERM，IMRB，转化神经精神病学，FondaMental 基金会，F-94010，克雷泰伊，法国，10 法国学院，巴黎 75005，法国
大脑局部结构连接组和内侧颞叶的亚型
结果：（1）在局部大脑连接组中，整个网络特征表现出低特征路径长度，并配对中度至高全球效率，这表明局部脑连接组构建的有效性。杏仁核连接组表现出比同侧海马和帕拉希公接连接组显示更长的特征路径长度和更弱的全球效率。（2）杏仁核连接组的轮毂分散在腹侧额叶，嗅觉区域，边缘，顶部，顶部区域和皮层下核，以及枢轴的海马连接组主要位于山缘，皮层和皮层下区域内。帕拉希公接连接组的轮毂分布类似于海马结构连接组，但缺乏半球间连接以及与皮层核的连通性。（3）每个ROI的大脑局部结构连接组的亚型通过层次聚类进行分类，双侧杏仁核连接组的亚型是杏仁核 - 前额叶连接组；杏仁核 - 外侧或对侧边缘连接组和杏仁核 - 伴随连接组。双侧海马连接组的亚型主要包括域半球中的海马冲向或对侧边缘连接组和前颞张 - 海马 - 腹部颞叶枕骨。parahampocampal连接组的亚型与海马的亚型表现出相似之处。
使用 GraphNet 的单纯形回归构建结构连接丰富的功能性脑网络
摘要。连接分析是研究硬连线大脑结构以及与人类认知相关的灵活功能动力学的强大技术。最近的多模态连接研究面临着将功能和结构连接信息组合成一个集成网络的挑战。在本文中，我们提出了一个带有图约束弹性网络（Graph-Net）的单纯形回归模型，以低模型复杂度以生物学有意义的方式估计由结构连接丰富的功能网络。我们的模型使用稀疏单纯形回归框架构建功能网络，并基于 GraphNet 约束丰富结构连接信息。我们将我们的模型应用于真实的神经影像数据集，以展示其预测临床评分的能力。我们的结果表明，与使用单一模态相比，整合多模态特征可以检测到更敏感和更细微的大脑生物标志物。
利用大脑结构连接组的机器学习预测性别、年龄、一般认知和心理健康
1 爱丁堡大学精神病学系，英国爱丁堡 2 爱丁堡大学心理学系，英国爱丁堡 3 德克萨斯大学心理学系，美国德克萨斯州奥斯汀 4 德克萨斯大学奥斯汀分校人口研究中心和老龄化与人口科学中心，美国德克萨斯州 5 爱丁堡大学临床脑科学中心，英国爱丁堡 6 爱丁堡大学爱丁堡医学院 Usher 研究所，英国爱丁堡 7 爱丁堡大学遗传与分子医学研究所基因组与实验医学中心，英国爱丁堡 8 诺丁汉特伦特大学物理与数学系，英国诺丁汉 9 爱丁堡大学洛锡安出生队列，英国爱丁堡 10 苏格兰成像网络，科学卓越合作平台（SINAPSE），爱丁堡，英国 * 这些作者共同担任高级作者
利用大脑结构连接组的机器学习预测性别、年龄、一般认知和心理健康
图 4 基于 SC 和 FA 的每项预测任务的梯度直方图。基于 SC 的年龄、g 因子和 MHQ 因子预测的梯度分布峰度测量分别为 43.67、10.93 和 11.50，基于 FA 的梯度分布峰度测量分别为 19.24、4.36 和 5.16。这意味着，与其他两个预测任务相比，年龄预测中梯度接近平均值（零）的边缘更多。这表明该模型在年龄预测中依赖较小的边缘子集，但在 g 因子和 MHQ 因子预测中依赖广泛的边缘。FA，各向异性分数；SC，流线数
使用混合静息态结构连接组增强全脑动态模拟
摘要 人脑由数十亿个神经元和突触连接组成，是一个复杂的网络，协调着大脑区域之间兴奋和抑制活动的复杂平衡。兴奋和抑制之间的动态平衡对于调整皮质网络中的神经输入/输出关系以及调节其对刺激的反应动态范围至关重要。为了使用连接组学推断这种平衡，我们最近引入了一个基于 Ising 模型的计算框架，该模型最初是为解释铁磁体中的相变而开发的，并提出了一种新型的混合静息态结构连接组 (rsSC)。在这里，我们表明，基于 Kuramoto 相位振荡器的生成模型可用于模拟以 rsSC 作为耦合权重系数的静态和动态功能连接组 (FC)，这样与使用传统结构连接组模拟的 FC 相比，模拟的 FC 与观察到的 FC 很好地一致。模拟是使用高性能计算基础设施上的开源框架虚拟大脑执行的。