XiaoMi-AI文件搜索系统
World File Search System颅内
Joshi Science Advances EABA0959（2020）.pdf 量子增强条形码解码和模式识别 tranexamic酸对脑损伤患者颅内出血和梗塞的影响：crash-3试验患者样本中的预先计划的质量 合成聚合物中的轻驱动驱动 Haikou 中的数字技术和非异性恋空间 fMRI大脑网络的微型典型和规范集合 指导股票市场网络的热力学基序分析 绝对最大的纠缠状态，量子最大距离可分离代码和量子中继器 自由空间量子通信的限制和安全性
简介量子通信网络在量子通信领域提出了革命性步骤（1，2）。尽管实际证明了量子密钥分布（QKD）（3-8），但向许多用户扩展标准的两用户QKD协议的差异已经阻止了大规模采用量子通信。到目前为止，量子网络依靠一个或多个概率特征：可信的节点（9-13）是潜在的安全风险；主动切换（14 - 17），限制了功能和连接性；最近，波长多路复用（18）具有有限的可伸缩性。量子通信研究的最终目标是，具有基于物理定律而不是计算复杂性的安全性，使得与当前的互联网相似。为了实现这一目标，量子网络必须是可扩展的，必须允许使用不同硬件的用户必须与流量管理技术兼容，不得限制允许的网络拓扑，并且必须尽可能避免避免潜在的安全风险（如受信任的节点）。到目前为止，所有人都证明了QKD网络属于三个宽大的冠军。第一类是值得信赖的节点网络（9-12），其中假定网络中的某些或所有节点被认为可以免受窃听。在大多数实用的网络中，很少能相信每个连接的节点。此外，此类网络倾向于在每个节点上同时使用发件人和接收器硬件的多个副本，从而使成本越来越高。第二类是积极切换或“访问网络”的，其中只允许某些用户一次交换密钥（19）。同样，点对点网络网络在利基应用程序中很有用，并且已使用无源束分式（BSS）（20 - 22），活动
使用量化方法对颅内大脑活性的言语谱图估计
将颅内大脑活动直接综合到声学语音可能为语音受损的用户提供直观而自然的沟通手段。在先前的研究中，我们使用了对数MEL量表语音谱图（LogMels）作为从电型（ECOG）记录到可听见波形的解码中的中间表示。mel-scar的语音谱图具有悠久的传统。过去，由于连续的特征空间，我们依靠回归方法来发现从大脑活动到LogMel光谱系数的映射。但是，回归任务是无限的，因此在综合声音语音信号中，脑活动中的神经元爆发可能导致异常高幅度。为了减轻这些问题，我们提出了两种量化功率值的方法，以分别使用中位数和逻辑公式分别降低复杂性和限制间隔的数量，从而分别使用中值和逻辑公式来离散对数的光谱系数的特征空间。我们通过基于线性判别分析的简单分类来评估一个参与者的概念证明，并评估了一个参与者，并通过原始语音限制了由此产生的波形。重构频谱图实现了Pearson相关系数，平均值为r = 0。5±0。11中的5倍交叉验证。索引术语：语言交流，语音合成，电代理，BCI
使用微创技术切除颅内病变……
摘要目的位于皮质下区域的病变难以安全进入。管状牵开器越来越多地被成功使用，通过最大限度地减少脑牵开创伤和径向分布压力来进入病变，并发症少。双目手术显微镜和单目外窥镜均可用于通过管状牵开器观察病变。我们提出了最大规模的多外科医生、多机构系列研究，以确定经皮质-经管状方法切除颅内病变的有效性和安全性，同时实现显微镜和外窥镜可视化。方法我们回顾了一系列多外科医生、多机构病例，包括使用 BrainPath（NICO，印第安纳州印第安纳波利斯）或 ViewSite 脑通路系统（VBAS，Vycor Medical，佛罗里达州博卡拉顿）管状牵开器（n = 113）进行经皮质-经管状颅内病变切除术。结果共进行了 113 例颅内病变经管状切除术。患者的病变种类多样，包括 25 例海绵状血管瘤（21.2%）、15 例胶质囊肿（13.3%）、26 例胶质母细胞瘤（23.0%）、2 例脑膜瘤（1.8%）、27 例转移瘤（23.9%）、9 例神经胶质瘤（7.9%）和 9 例其他病变（7.9%）。病变深度低于皮质表面的平均深度为 4.4 cm，平均病变大小为 2.7 cm。81 例（71.7%）患者实现了全切除。永久性并发症发生率为 4.4%。一名患者（0.8%）出现一次术后早期癫痫发作（术后 < 1 周）。没有患者出现晚期癫痫发作（> 1 周随访）。术后平均住院时间为 4.1 天。结论管状牵开器为切除颅内病变提供了微创手术通道。它们为神经外科器械库提供了一种有效的工具，可以切除皮质下病变且并发症发生率低。
发作间期颅内脑电图预测手术成功率：空间和时间的重要性
摘要 目的：利用源自发作间期颅内脑电图 (EEG) 的功能相关网络预测术后无癫痫发作已取得一些成功。然而，还有一些重要的挑战需要考虑：(1) 物理上彼此靠近的电极自然倾向于更相关，从而导致空间偏差；(2) 不同患者的植入位置和电极数量不同，使得跨受试者比较困难；(3) 功能相关网络可能随时间而变化，但目前假定为静态的。方法：在本研究中，我们使用来自 55 名难治性局灶性癫痫患者的颅内脑电图数据来解决这三个挑战。患者还接受了术前磁共振成像 (MRI)、术中计算机断层扫描和术后 MRI 检查，以便准确定位电极并描绘出切除的组织。结果：我们表明，对附近电极之间的空间接近度进行标准化可提高对术后癫痫发作结果的预测。此外，电极覆盖范围更广的患者更有可能正确预测其结果（受试者工作特征曲线下面积 > 0.9，P « 0.05），但不一定更有可能获得更好的结果。最后，无论分析的时间段如何，我们的预测都是可靠的。意义：未来的研究应考虑功能网络构建中电极的空间接近度，以改善术后癫痫发作结果的预测。切除和保留组织的覆盖范围越大，预测的准确性就越高。
无卒中患者颅内、外动脉粥样硬化血管周围间隙及脑CT灌注的临床特点
动脉硬化引起的脑血流(CBF)下降是否与PVS有关目前知之甚少。目前，临床上测定CBF的方法多种多样，最常用的是CT和磁共振成像(MRI)。计算机断层扫描灌注(CTP)因操作方便、成像速度快、成本低、耐受性好而在临床上得到广泛应用。MRI中的动脉自旋标记(ASL)不需要使用造影剂，但白质灌注经常被低估且ASL对受试者的运动高度敏感。血氧水平依赖性功能磁共振成像(BOLD-fMRI)可以通过检测脑内血氧含量间接反映CBF，具有较高的空间和时间分辨率，但常受氧合血红蛋白和神经活动的影响。
Piezo2 是一种压力敏感通道，在小鼠大脑的某些神经元中表达：一种通过传导颅内压力脉冲来同步神经网络的假定机制
（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 3 月 25 日发布。；https://doi.org/10.1101/2020.03.24.006452 doi：bioRxiv preprint
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
用于颅内压力监测的材料、力学设计和生物可吸收多传感器平台
颅内、眼内和血管内的压力是评估各种疾病患者的重要参数，对于刚从受伤或手术中恢复的患者尤其重要。与传统设备相比，通过自然生物吸收过程消失的传感器在这方面具有优势，因为省去了与检索相关的成本和风险。本文介绍了一类生物可吸收压力传感器，该传感器的工作寿命长达数周，物理寿命短至数月，这些综合指标代表了其对最近报道的替代方案的改进。关键进展包括：1) 使用单晶硅膜和天然蜡材料混合物分别将设备封装在其顶面和周边区域；2) 使用机械结构在封装材料溶解和消失时实现稳定运行；3) 使用附加传感器来检测生物流体是否开始渗透到主动传感区域。涉及在长达 3 周的时间内监测大鼠模型颅内压的研究显示，其性能水平与不可吸收的临床标准相当。本文报告的许多概念可广泛适用于其他类别的生物可吸收技术。
人工智能在颅内动脉瘤治疗中的应用：现状与未来展望
摘要：伴有蛛网膜下腔出血的颅内动脉瘤发病率和死亡率很高。检测动脉瘤、识别破裂的危险因素和预测动脉瘤的治疗反应以指导临床干预至关重要。人工智能因其在基于图像的任务中的出色表现而受到了全世界的关注。人工智能在一系列临床环境中作为医生的辅助手段，大大提高了诊断准确性，同时减少了医生的工作量。基于使用深度学习的 MRA 和 CTA 的动脉瘤计算机辅助诊断系统已经过评估，并报告了出色的性能。随着机器学习方法的实施，人工智能还被用于自动形态学计算、破裂风险分层和结果预测，这些方法已表现出增量价值。本综述总结了人工智能在动脉瘤管理（包括检测和预测）方面的最新进展。简要讨论了人工智能临床应用的挑战和未来方向。
发作间期癫痫样放电与人类颅内神经生理学数据的质量
颅内脑电图 (IEEG) 涉及从直接放置在皮质表面或深层脑位置的电极进行记录。它适用于接受术前癫痫发作定位的药物难治性癫痫患者。IEEG 记录与计算能力和分析工具的进步相结合，加速了认知神经科学的发展。本篇观点文章描述了由于受试者群体而导致的许多此类记录中存在的潜在陷阱——即发作间期癫痫样放电 (IED)，由于与癫痫相关的病理波形污染了正常的神经生理信号，因此可能导致虚假结果。我们首先讨论 IED 危害的性质，以及为什么它们值得神经生理学研究人员的关注。然后，我们描述了处理 IED 时使用的四种一般策略（手动识别、自动识别、手动-自动混合以及通过将其留在数据中而忽略），并讨论了它们的优缺点和背景因素。最后，我们根据横断面文献综述和自愿调查，描述了全球人类神经生理学研究人员的当前实践。我们将这些结果置于所列策略的背景下，并提出提高报告意识和清晰度的建议，以丰富该领域的数据质量和交流。