XiaoMi-AI文件搜索系统
World File Search System颞上
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
使用深度学习检测颅内电极上的内侧颞叶癫痫样放电
目的：开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法：一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集，我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果：在受试者工作特征曲线上，我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC（特异性 > 0.9）。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下，灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论：利用深度学习，我们开发了一种高性能、患者非特异性算法，用于检测颅内电极上的 mTL 癫痫样放电。意义：我们的算法有许多潜在应用，可用于了解 mTL 癫痫样放电对癫痫和认知的影响，以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。
额叶，顶叶和颞大脑区域被差异激活，当歧义关节注意的潜在对象
4。†这些作者为这项工作做出了同样的贡献。pt开发了14个研究的概念框架。pt，PK和HR设计了实验。PK和PWD进行了15个实验。PK和MG分析了数据。所有作者都为16个结果和写作的解释做出了贡献。17
由 FUS 的种子聚集和扩散引起的额颞叶痴呆样疾病进展
© 作者 2024。开放存取本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativecom‑mons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
检查genfi队列中跨额颞痴呆的家族形式的移情缺陷
菲比·H·福斯特（Phoebe H. AJ，AK，AL，Johannes Levin Am，The，The，The，Adrian Danek AM，Markus Otto AP，Sorbi Sorbi AQ，Jonathan D. Rohrer A， *，遗传FTD倡议（Genfi）
beta功率的GABA能调节增强了额颞叶变性的运动适应
注意：对于临床，认知和行为测试，括号中显示了最佳分数。贝叶斯方差分析用于检查群体差异，其中有证据表明组之间有差异（> 3）事后结果显示BVFTD与PSP。贝叶斯因素的常规阈值代表了有利于假设的证据（> 3），强（> 10）和非常强的（> 30）。bf <1被认为是无效假设的证据。缩写：ACE-R，修订了Addenbrooke的认知检查； BVFTD，行为变化的额颞痴呆； CBI-R，修订后的剑桥行为清单； F，女；晶圆厂，额叶评估电池； M，男性； MMSE，小型国会考试； PSP，进行性核上麻痹； TGB，甲状腺素结合球蛋白； WM，工作记忆。
左、右颞上回对噪声环境下言语感知的因果作用：经颅磁刺激研究
■ 在日常聆听条件下成功感知语音需要有效的聆听策略来克服常见的声学失真，例如背景噪音。神经影像学和临床研究的综合证据表明颞叶内的激活是成功感知语音的关键。然而，目前的神经生物学模型对左颞叶是否足以成功感知语音或是否需要双侧处理存在分歧。我们使用TMS选择性地破坏健康参与者的左或右颞上回（STG）中的处理来解决这个问题，以测试左颞叶是否足够或左和右STG是否都必不可少。参与者在语音接收阈值任务中重复背景噪音中呈现的句子中的关键词，同时
异常大脑结构与自闭症谱系障碍儿童的社会和沟通缺陷有关：基于体素的形态计量学分析
摘要：结构性磁共振成像（SMRI）研究表明，ASD患者的大脑结构异常，但是结构变化与社会通知问题之间的关系尚不清楚。本研究旨在通过基于体素的形态计量学（VBM）探索ASD儿童大脑中临床功能障碍的结构机制。筛选自闭症脑成像数据交换（Abide）数据库的T1结构图像后，有98名8-12岁儿童患有ASD的儿童与105名8-12岁儿童匹配典型发育（TD）。首先，本研究比较了两组之间的灰质体积（GMV）差异。然后，这项研究评估了ASD儿童中GMV与自闭症诊断观察计划（ADO）的通信和社交互动的小计分数之间的关系。研究发现，ASD中的异常大脑结构包括中脑，蓬蒂因，双侧海马，左parahampocampal回，左颞颞回，左颞叶，左右圆极，左中颞回和左上胸部上流回。此外，在ASD儿童中，ADO上的通信和社交互动的小计分数仅与左海马中的GMV显着相关，左海马，剩下的颞上回和左中间颞回。总而言之，ASD儿童的灰质结构异常，ASD儿童的临床功能障碍与特定区域的结构异常有关。
tauvid-uspi.pdf
读取的目的是识别和定位大脑皮层中 flortaucipir 活动大于背景活动的区域（背景活动定义为高达测量的小脑平均值的 1.65 倍）。为获得最佳显示效果，请选择在两种不同颜色之间快速转换的色标，并调整比例以使转换发生在 1.65 倍阈值处。检查双侧后外侧颞叶 (PLT)、枕叶、顶叶和额叶区域。任一半球的大脑皮层活动有助于图像解释。白质或大脑外区域的活动无助于图像解释。为了帮助识别 PLT，请考虑按照以下说明将颞叶细分为四个象限。前颞叶和内侧颞叶的活动无助于阳性 TAUVID 模式的图像解释。
人类声道的顶叶-颞叶感觉-运动整合区域：来自熟练音乐家的 fMRI 研究的证据
顶叶皮层中已发现几个感觉运动整合区域，这些区域似乎围绕运动效应器（例如眼睛、手）组织。我们研究了人类声道是否存在感觉运动整合区域。说话需要大量的感觉运动整合，其他能力（如发声音乐技能）也需要。最近的研究发现，颞顶叶后上部区域 Spt 区既具有感觉（听觉）又具有运动反应特性（针对语音和音调刺激）。熟练的钢琴家在听新旋律时，要么偷偷地哼唱旋律（声道效应器），要么偷偷地在钢琴上弹奏旋律（手动效应器），这时用 fMRI 测量了他们的大脑活动。与偷偷地哼唱相比，偷偷地弹奏条件下 Spt 区域的活动明显更高。前 IPS（aIPS）中的一个区域显示出相反的模式，表明它参与了感觉手动转换。这一发现表明，Spt 区是声道手势的感觉运动整合区域。© 2007 Elsevier Ltd. 保留所有权利。