XiaoMi-AI文件搜索系统
World File Search System结构连接
使用大脑结构连接组和转移学习增强了深度卷积神经网络
在2岁时认识到认知能力降低的非常早产的婴儿（≤32周的胎龄）。然而，直到3-5岁左右的童年，才能对认知能力的准确临床诊断。最近，由高级扩散张量成像（DTI）技术构建的大脑结构连接组在理解人类认知功能方面发挥了重要作用。然而，具有临床和结果信息的可用的带注释的神经影像学数据集通常有限且昂贵，无法在早产儿的研究中扩大。这些挑战阻碍了新生儿预后工具的发展，以早产儿的认知能力早期预测。在这项研究中，我们将大脑结构连接组视为2D图像，并应用了建立的深卷积神经网络，以学习大脑连接组的空间和拓扑信息。此外，转移学习技术还用于减轻不足的培训数据的问题。因此，我们开发了一种转移学习增强的卷积神经网络（TL-CNN）模型，用于使用脑结构连接素体的非常早产的婴儿在2岁时对认知评估的早期预测。总共有110名非常早产的婴儿参加了这项工作。大脑结构连接组是使用在期限年龄扫描的DTI图像构建的。Bayley III认知评估是在2岁的校正年龄进行的。我们将提出的模型应用于认知定义分类和连续认知评分预测任务。结果表明，与多个同行模型相比，TL-CNN的性能提高了。最后，我们确定了大脑区域最歧视性的认知能力。结果表明，深度学习模型可能会促进早期婴儿在期限年龄的早产儿中的后期神经发育结局的早期预测。
使用生成对抗神经网络对多发性硬化症患者大脑结构连接进行数据增强
背景和目标：机器学习框架已经展示了其在处理复杂数据结构方面的潜力，并在包括脑成像在内的许多领域取得了显著成果。然而，训练这些模型需要大量的数据。这在生物医学领域尤其具有挑战性，因为由于获取的可及性、成本和病理相关的多变性，可用的数据集有限且通常不平衡。为了克服这一挑战，可以使用生成模型来生成新数据。方法：在本研究中，提出了一个基于生成对抗网络的框架来创建多发性硬化症 (MS) 中的合成结构脑网络。该数据集包括 29 名复发缓解型和 19 名继发进展型 MS 患者。使用 T1 和扩散张量成像 (DTI) 采集来获取每个受试者的结构脑网络。对新生成的脑网络质量的评估是通过 (i) 分析其结构特性和 (ii) 研究它们对分类性能的影响来执行的。结果：我们证明了高级生成模型可以直接应用于结构脑网络。我们从数量和质量上表明，新生成的数据与真实数据相比没有显著差异。此外，使用生成的样本扩充现有数据集可提高分类性能（ 퐹 1 푠푐표푟푒 81%），而基线方法（ 퐹 1 푠푐표푟푒 66%）则没有。结论：当需要基于连接组的数据增强时，我们的方法为生物医学应用定义了一种新工具，为通常的基于图像的数据增强技术提供了一种有效的替代方案。
虚拟衰老大脑：老年人认知能力下降的模型驱动解释
健康衰老伴随着个体认知能力的异质性下降，尤其是在衰老期间。这种变异的机制尚不清楚，但与白质纤维束的重组和大脑区域的功能共同激活有关。在这里，我们建立了一个因果推理框架，以提供结构连接和大脑功能之间联系的机制洞察，并基于大脑图像数据和网络建模。通过应用不同程度的半球间结构连接退化，我们不仅能够重现与年龄相关的半球间功能通信下降和相关的动态灵活性，而且我们获得了衰老过程中结构连接对大脑功能的整体调节增加。值得注意的是，结构连接和大脑功能之间的调节增加幅度更大，在认知能力较差的老年人中增加幅度更大。我们通过基于深度学习的贝叶斯方法独立验证了我们框架的因果假设。当前的结果可能是首次在大型群体中从机制上证明衰老过程中的去分化和支架作用会导致认知能力下降。
虚拟衰老大脑：老年人认知能力下降的模型驱动解释
健康衰老伴随着个体认知能力的异质性下降，尤其是在衰老期间。这种变异的机制尚不清楚，但与白质纤维束的重组和大脑区域的功能共同激活有关。在这里，我们建立了一个因果推理框架，以提供结构连接和大脑功能之间联系的机制洞察，并基于大脑图像数据和网络建模。通过应用不同程度的半球间结构连接退化，我们不仅能够重现与年龄相关的半球间功能通信下降和相关的动态灵活性，而且我们获得了衰老过程中结构连接对大脑功能的整体调节增加。值得注意的是，结构连接和大脑功能之间的调节增加幅度更大，在认知能力较差的老年人中增加幅度更大。我们通过基于深度学习的贝叶斯方法独立验证了我们框架的因果假设。当前的结果可能是首次在大型群体中从机制上证明衰老过程中的去分化和支架作用会导致认知能力下降。
通过可解释的人工智能了解阿尔茨海默病的结构连通性
在以下工作中，我们使用深度 BrainNet 卷积神经网络 (CNN) 的改进版本，该网络在阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 患者的扩散加权 MRI (DW-MRI) 纤维束成像连接组上进行训练，以更好地了解该疾病的结构连接组学。我们表明，使用相对简单的连接组 BrainNetCNN 对大脑图像进行分类和可解释的 AI 技术，可以强调与 AD 有关的大脑区域及其连接。结果表明，组间结构差异较大的连接区域也是先前 AD 文献中报道的区域。我们的研究结果支持了对结构连接组进行深度学习是一种强大的工具，可以利用来自扩散 MRI 纤维束成像的连接组内的复杂结构。据我们所知，我们的贡献是第一个应用于退行性疾病结构分析的可解释 AI 工作。关键词：结构连接组、扩散加权 MRI、深度学习、显著图、阿尔茨海默病
寻找精神病性失联的影像生物标记
通过磁共振成像 (MRI) 获得的神经影像测量值可以作为此类生物标志物，作为评估治疗反应或预后准确性的客观终点(5)。鉴于有一致报告称，精神病患者(9-14)和疾病的各个阶段(15-19)都存在异常的功能和结构连接，因此脑连接测量(6-8)尤其有前景。与精神病相关的功能连接中断(通过静息态功能 MRI-rsfMRI(20) 测量)通常包括大规模皮质网络内部和之间的低连接(6)，尤其是涉及额叶和颞叶皮质的网络，而与精神病相关的结构连接中断(通过扩散张量成像-DTI(21) 测量)包括全脑分数各向异性 (FA) 的降低，FA 是白质完整性的间接测量(22)。事实上，这两个标记本身在精神病患者和健康个体中都是相互关联的(23、24)。
结构限制有效大脑连接
结构和功能之间的关系是许多涉及复杂生物过程研究的研究领域中令人感兴趣的问题。特别是在神经科学中，结构和功能数据的融合有助于理解大脑中操作网络的基本原理。为了解决这个问题，本文提出了一个受约束的自回归模型，该模型可以表示有效连接，可用于更好地理解结构如何调节功能。或者简单地说，它可以用于寻找表征受试者群体的新型生物标记。在实践中，初始结构连接表示被重新加权以解释功能共激活。这是通过最小化受结构连接先验约束的自回归模型的重建误差来获得的。该模型还设计为包括间接连接，允许在功能连接中分离直接和间接组件，并且可以与原始和反卷积的 BOLD 信号一起使用。
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
![arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日](/simg/g:\will\search\icon\source\1\179a87c6f83be0ee92585383a262d85d2db19fa0.webp)
arXiv:2208.08896v1 [q-bio.NC] 2022 年 8 月 9 日
摘要：轻度认知障碍（MCI）是阿尔茨海默病（AD）的前兆，MCI的检测具有重要的临床意义。分析患者的结构脑网络对于识别MCI至关重要。然而，目前对结构脑网络的研究完全依赖于特定的工具箱，耗时且主观，很少有工具可以从脑扩散张量图像中获取结构脑网络。在本文中，提出了一种基于对抗学习的结构脑网络生成模型（SBGM），直接从脑扩散张量图像中学习结构连接。通过分析不同受试者结构脑网络的差异，我们发现从老年正常对照（NC）到早期轻度认知障碍（EMCI）再到晚期轻度认知障碍（LMCI），受试者的结构脑网络呈现出一致的趋势：随着病情的恶化，结构连接朝着逐渐变弱的方向发展。此外，我们提出的模型对 EMCI、LMCI 和 NC 受试者进行了三分类，在阿尔茨海默病神经影像计划 (ADNI) 数据库上实现了 83.33% 的分类准确率。
通过功能约束结构图变分自动编码器实现结构和功能连接组的统一嵌入
摘要。图论分析已成为建模大脑功能和解剖连接的标准工具。随着连接组学的出现，主要感兴趣的图或网络是结构连接组（来自 DTI 纤维束成像）和功能连接组（来自静息态 fMRI）。然而，大多数已发表的连接组研究都集中在结构或功能连接组上，但当它们之间的互补信息在同一数据集中可用时，可以联合利用它们来提高我们对大脑的理解。为此，我们提出了一种功能约束的结构图变分自动编码器 (FCS-GVAE)，它能够以无监督的方式整合来自功能和结构连接组的信息。这导致了联合低维嵌入，从而建立了一个统一的空间坐标系，用于跨不同主体进行比较。我们使用公开的 OASIS-3 阿尔茨海默病 (AD) 数据集评估了我们的方法，并表明变分公式对于最佳地编码功能性大脑动态是必不可少的。此外，与不使用互补连接组信息的方法相比，所提出的联合嵌入方法可以更准确地区分不同的患者亚群。