腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

思影科技

专栏作者

428

文章

446603

阅读量

127

订阅数

宏观人脑功能网络的通用分类

数据处理神经网络

过去十年中，旨在描述人类连接组特征的研究的激增。这些项目使用非侵入性神经成像方法和先进的分析技术，绘制了大规模系统的大脑区域。虽然人脑是由多个宏观功能网络组成的这一观点在认知神经科学中得到了广泛的关注

2022-11-14

8390

深度学习在静息态功能磁共振成像中的应用

数据分析图像处理机器学习深度学习神经网络

对从人脑功能磁共振成像(fMRI)数据中获得的丰富的动态的时空变化特性进行建模是一项具有挑战性的任务。对大脑区域和连接水平进行分析为fMRI数据提供了更直接的生物学解释，并且到目前为止一直有助于描述大脑中的特征。在本文中作者假设，与之前研究广泛使用的预先进行的fMRI时变信息转换以及脑区之间的功能连接特征相比，直接在四维(4D)fMRI体素级别空间中进行时空特征的学习可以增强大脑表征的鉴别性。基于这个目的，作者对最近提出的结构MRI(sMRI)深度学习(DL)方法进行扩展，以额外获得时变信息和在预处理好的fMRI数据上对提出的4D深度学习模型进行训练。结果表明使用基于复杂的非线性函数的深度时空方法为学习任务生成具有鉴别性的编码，使用fMRI体素/脑区/功能连接特征对模型进行验证，发现本文方法的分类性能优于传统标准机器学习(SML)和DL方法，除了相对简单的集中趋势测量的fMRI数据的时间平均值。此外，作者探讨了不同方法识别fMRI特征的优劣，其中对于fMRI体素级别特征DL显著优于SML方法。总之作者的研究结果体现了在fMRI体素级别数据上训练的DL模型的效率和潜力，并强调了开发辅助工具的重要性，以促进对这种灵活模型的解释。本文发表在IEEE Engineering in Medicine & Biology Society (EMBC)

2022-06-13

1.3K1

脑影像中的深度学习研究：前景与挑战

卷积神经网络学习方法神经网络机器学习深度学习

深度学习(DL)在应用于自然图像分析时非常成功。相比之下，将其用于神经影像学数据分析时则存在一些独特的挑战，包括更高的维度、更小的样本量、多种异质模态以及有限的真实标签（ground truth）。在本文中结合神经影像学领域的四个不同且重要的类别讨论了DL方法:分类/预测、动态活动/连接性、多模态融合和解释/可视化。本文重点介绍了这些类别中每一类的最新进展，讨论了将数据特征和模型架构相结合的益处，并依据这些内容提出了在神经影像学数据中使用DL的指南。对于每一个类别，还评估了有希望的应用和需要克服的主要挑战。最后讨论了神经影像学DL临床应用的未来方向。

2022-04-12

1K0

从组水平到个体水平的精神分裂症谱系障碍无创脑刺激

存储学习方法机器学习神经网络深度学习

精神分裂症谱系障碍(SSDs，schizophrenia spectrum disorders)患者经常经历持续的社会认知障碍，并伴有较差的功能结果。目前还没有已被批准的治疗方案来治疗这些症状，当前我们非常需要新的治疗策略。迄今为止，已经有许多工作阐明不同的社交过程中SSDs患者的认知障碍的潜在神经回路，此外，一些研究指出这些神经环路可以使用神经刺激手段予以调节。此外，功能连接映射和电场建模的进展可能被用来确定个体化的治疗目标，以最大限度地发挥脑刺激对社会认知网络的影响。

2022-02-28

4740

Nature neuroscience：神经脆弱性作为癫痫发作区脑电图标志物

全世界有超过1500万癫痫患者对药物没有反应。成功的手术治疗需要完全切除或切断癫痫发作区(SOZ)，即癫痫发作的脑区。然而，由于没有临床验证的SOZ生物标记物存在，手术成功率在30 - 70%之间。我们开发并回顾性验证了一种新的脑电图(EEG)标记物——神经脆弱性——在对91例患者的回顾性分析中，使用注释过的SOZ的神经脆弱性作为预测手术结果的指标。脆弱性预测了47例手术失败中的43例，总体预测准确率为76%，而临床医生的准确率为48%(成功结果)。在失败的结果中，我们确定了未得到治疗的脆弱区域。与作为SOZ标记的20种脑电图特征相比，脆弱性在预测能力和可解释性方面表现更好，这表明神经脆弱性可作为SOZ的脑电图生物标志物。本文发表在Nature neuroscience杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

2022-02-28

8670

大脑网络结构、功能和控制的物理学

大脑的特点是结构连接的不同模式支持无与伦比的认知能力和广泛的行为。新的非侵入性成像技术允许全面测绘这些模式。然而，一个基本的挑战仍然是理解大脑的结构线路是如何支持认知过程的，这对个性化的心理健康治疗具有重大意义。在这里，我们回顾了最近应对这一挑战的努力，利用物理学的直觉、模型和理论，跨越统计力学、信息论、动力系统和控制等领域。我们首先描述了在空间嵌入和能量最小化的约束下，以结构布线为例的脑网络架构的组织原则。然后，我们调查了大脑网络功能模型，规定了神经活动如何沿着结构连接传播。最后，讨论了脑网络控制的微扰实验和模型；它们利用信号沿结构连接传输的物理学来推断支持目标导向行为的内在控制过程，并为神经和精神疾病的基于刺激的治疗提供信息。本文发表在Nature reviews Physics杂志

2022-02-28

8030

Trends in Neurosciences：基于信息的无创经颅脑刺激方法

认知神经科学的进展依赖于方法学的发展，以增加有关脑功能知识的特异性。例如，在功能神经成像领域，当前的趋势是研究大脑区域所携带的信息类型，而不是简单地比较任务操作所引起的激活水平。在这种情况下，非侵入性经颅脑刺激 (noninvasive transcranial brain stimulation, NTBS) 在认知功能研究中的传统应用可能显得粗糙和过时。然而，在其众多参数中，通过与行为操作相结合，NTBS方案可以达到成像技术的特异性。在本文中，我们回顾了在基础科学和临床环境中实现这一目标的不同范例，并遵循基于信息的方法的一般原理。本文发表在Trends in Neurosciences杂志。

2022-02-28

6180

BRAIN：静息态脑电图揭示了肌萎缩性脊髓侧索硬化症的四种亚型

神经网络卷积神经网络

肌萎缩性脊髓侧索硬化症(ALS)是一种以运动系统退化为主要特征的疾病，临床证据表明，多达50%的病例出现认知和行为改变。ALS在临床上和生物学上都是异质性(一种遗传性状可以由多个不同的遗传物质改变所引起)的。目前使用临床参数进行亚分组，如症状出现的部位(延髓或脊柱)、疾病负担和家族性疾病患者的基因组学。然而，除基因组学外，这些亚分类没有考虑潜在的疾病病理生物学，不能完全预测疾病的病程或预后。

2022-02-28

6430

婴儿认知的血流动力学研究

过去20年内，认知神经科学研究依靠脑区血流动力学数据测量来推断潜在的认知过程，其中功能磁共振成像(fMRI)和功能近红外光谱成像(fNIRS)技术也适用于婴儿研究。我们回顾了这两种技术应用于婴儿研究的优、劣势，特别强调他们的技术局限，以及允许研究提出的假设(通过相关数据能够支持的结论)。本文总结了婴儿认知的关键发现，并讨论了fNIRS数据质量提高后，能如何使用更复杂的方法来研究认知发展的神经机制。本文发表在Annual Review of Psychology杂志。

2022-02-28

5050

Biological Psychiatry：胎儿脑网络的发展：与常见神经疾病的相关性

人类胎儿以及早产儿的磁共振成像、组织学和基因分析方法为产前大脑发育的阶段过程提供了见解。对出生前微观和宏观脑网络发育理解的增加，激发了人们对理解产前大脑发育与常见神经疾病的相关性的兴趣。关于宫内大脑对环境、可塑性窗口以及涉及大规模网络连接中断的儿童期疾病的产前起源的敏感性，存在大量的问题。许多现有的关于人类产前神经发育的文献都来自横断面或案例研究，这些研究不能解决出生前大脑发育中个体差异的纵向后果。本文将：1)详细介绍研究人类产前大脑的具体方法，2)总结人类产前神经网络的大规模发展，整合各种实验方法的研究结果，3)探索早期发育大脑的可塑性以及产前易感性的潜在性别差异，以及4)评估将特定的产前大脑发育过程与儿童常见神经系统疾病的异常神经连接形式联系起来的机会。本文发表于Biological Psychiatry杂志。

2022-02-28

5410

SVM在脑影像数据中的应用

机器学习人工智能学习方法神经网络

如第一章所述，机器学习中有四种基本方法:有监督学习、无监督学习、半监督学习和强化学习。分类是监督学习的一种形式，它根据训练阶段确定的许多输入输出对将输入数据映射到输出数据。使用分类，与一组示例观察相关的特征可以用来训练一个决策函数，该函数以给定的精度生成类别赋值(即标签labels)。从功能性神经成像数据到推特帖子，这些特征可以是多种多样的。一旦基于这些特征创建了决策函数分类器，它就可以使用之前建立的模式自动将类标签附加到新的、不可见的观察结果上。有许多类型的机器学习算法可以执行分类，如决策树，朴素贝叶斯和深度学习网络。本章回顾支持向量机(SVM)学习算法。支持向量机的强大之处在于它能够以平衡的准确性和再现性学习数据分类模式。虽然偶尔用于回归(见第7章)，SVM已成为一种广泛使用的分类工具，具有高度的通用性，扩展到多个数据科学场景，包括大脑疾病研究。

2022-02-28

9430

放射学中基于影像组学和人工智能预测癌症预后

学习方法神经网络人工智能机器学习深度学习

人工智能（AI）在医学影像诊断中的成功应用使得基于人工智能的癌症成像分析技术开始应用于解决其他更复杂的临床需求。从这个角度出发，我们讨论了基于人工智能利用影像图像解决临床问题的新挑战，如预测多种癌症的预后、预测对各种治疗方式的反应、区分良性治疗混杂因素与进展，肿瘤异常反应的识别以及突变和分子特征的预测等。我们综述了人工智能技术在肿瘤成像中的发展和机遇，重点介绍了基于人工的影像组学方法和基于深度学习的方法，并举例说明了它们在决策支持中的应用。我们还解决了临床应用过程中面临的挑战，包括数据整理和标注、可解释性以及市场监管和报销问题。我们希望通过帮助临床医生理解人工智能的局限性和挑战，以及它作为癌症临床决策支持工具所能提供的机会，为他们揭开影像组学人工智能的神秘面纱。

2022-02-28

1.1K0

fNIRS在发育科学中的应用

数据处理神经网络

功能性近红外光谱成像技术(fNIRS)可以研究清醒状态下的婴儿大脑功能激活。fNIRS的优势明显大于局限，领域内也已将fNIRS应用于婴儿群体。大多fNIRS研究集中于：目标处理、生物和社会信息处理、语言发展。有关人类知识起源和发展的争论不断，因此早期神经影像学研究作用很大。fNIRS的应用使我们能够确定未成熟大脑中处理早期目标、社会、语言知识的区域，及其随时间、经验发生的变化。小部分研究深入探索：支持、促进出生后第一年的学习的神经机制。与其他新兴领域一样，当前研究得出的结论也存在局限。我们探讨了应该如何改进这项技术的应用，这有利于探究具有理论、实践重要意义的发育科学问题。本文发表在WIREs Cognitive Science杂志。

2022-02-28

8000

同步脑电图-功能磁共振融合推断宏观脑动力学

学习方法神经网络

同步脑电-功能性磁共振成像(EEG-fMRI)的仪器和信号处理技术的进步，为人类大脑的高时空神经动力学研究提供了更近一步的方法。脑电图-功能磁共振神经成像系统的核心功能是融合两种数据，在这个过程中，机器学习发挥着关键作用。这些方法可以分为对称和不对称两种融合方式。使用这些方法的研究表明，融合产生了对大脑功能的新认识。随着技术的进步和融合方法变得更加复杂，脑电图-功能磁共振成像(EEG-fMRI)为无创脑动力学测量带来了许多新的启示，包括：基于目标扰动的神经成像、利用深度学习发现电生理和血流动力学测量之间的非线性表征等新的研究领域。本文发表在Annual Review of Neuroscience杂志。。

2022-02-28

5520

基于MRI医学图像的脑肿瘤分级

学习方法机器学习神经网络深度学习人工智能

本文对近年来脑磁共振（MR）图像分割和肿瘤分级分类技术进行概述。文章强调了早期发现脑肿瘤及其分级的必要性。在磁共振成像（MRI）中，肿瘤可能看起来很清楚，但医生需要对肿瘤区域进行量化，以便进一步治疗。数字图像处理方法和机器学习有助于医生进一步诊断、治疗、手术前后的决策，从而发挥放射科医生和计算机数据处理之间的协同作用。本文旨在回顾以胶质瘤（包括星形细胞瘤）为靶点的肿瘤患者的脑部MR图像分割和分类的最新进展。阐述了用于肿瘤特征提取和分级的方法，这些方法可以整合到标准临床成像协议中。最后，对该技术的现状、未来发展和趋势进行了评估。本文发表在Biomedical Signal Processing and Control杂志。

2022-02-28

2.3K0

语言加工的神经计算模型

NLP 服务神经网络

在Bill Watterson 1993年写的一篇报纸漫画中（Calvin and Hobbes），男孩Calvin对他的朋友Hobbes说：“奇怪的语言（Verbing weirds language）”。事实是，Hobbes (一只由Calvin的想象力制作成动画的毛绒老虎)理解这句话没有问题，读者当然也能理解这句话（这句话将形容词词做动词用了）。语言使用者经常处理人类语言的抽象问题，无论是将形容词变成动词（如连环画中的使用），是从陈述句中提出问题（比如：“你敢打我”是陈述句，但可以用疑问语气变成问句），还是从“昨天我在睡衣里看到一头大象”这句话中理解到双重含义。从实际使用看，人类的语言能力依赖于一系列复杂的抽象功能来理解这些模式：它们从语音特征到句法范畴都是抽象的。与其他认知能力一样，这些语言抽象功能在语言使用者的具体实践中被实例化。

2022-02-28

4620

脑网络的小世界属性

自小世界网络的概念被首次使用高聚类系数和短路径长度的结合被定量定义以来，已经过去了将近20年；大约10年前，作为连接组学新领域快速发展的一部分，这种复杂网络拓扑度量开始广泛应用于神经影像和其他神经科学数据的分析。本文简要回顾了图论方法和小世界网络生成的基本概念，并详细考虑了最近使用高分辨率轨迹追踪方法绘制猕猴和小鼠解剖网络的研究的意义。在本文章中需要区分二进制或未加权图的拓扑分析和加权图的拓扑之间的重要方法区别，前者在过去为脑网络分析提供了一种流行但简单的方法，后者保留了更多的生物学相关信息，更适合于先进的图分析和其他成像研究中出现的越来越复杂的脑连接数据。最后，本文强调了加权小世界进一步发展的一些可能的未来趋势，将此作为哺乳动物皮层各区域之间强弱联系的拓扑和功能价值研究的一部分进行了更深更广泛的讨论。本文发表在The Neuroscientist杂志。

2022-02-28

2.4K0

影像组学初学者指南

神经网络人工智能编程算法深度学习图像分析

影像组学是放射学领域的一个相对较新的词，意思是从医学图像中提取大量的定量特征。人工智能（AI）大体上被定义为一组先进的计算算法，可以对所提供的数据模式进行学习，以便对未知的数据集进行预测。由于与传统的统计方法相比，人工智能具有更好的处理海量数据的能力，因此可以将影像组学方法与人工智能结合起来。总之，这些领域的主要目的是提取和分析尽可能多和有意义的深层定量特征数据，以用于决策支持。如今，影像组学和人工智能都因其在各种放射学任务中取得的显著成功而备受关注，由于担心被人工智能机器取代，大多数放射科医生对此感到焦虑。考虑到计算能力和大数据集可用性的不断发展进步，未来临床实践中人与机器的结合似乎是不可避免的。因此，不管他们的感受如何，放射科医生都应该熟悉这些概念。我们在本文中的目标有三个方面：第一，让放射科医生熟悉影像组学和人工智能；第二，鼓励放射科医生参与这些不断发展的领域；第三，为未来方法的设计和评估提供一套良好实践建议。本文发表在Diagnostic and Interventional Radiology杂志。

2022-02-28

1.3K0

Radiology：人工智能在神经肿瘤学中的新兴应用

学习方法机器学习神经网络人工智能深度学习

随着计算机算法呈指数式增长，人工智能（AI）方法有望提高医学诊断和治疗方法的精确度。影像组学方法在神经肿瘤学领域中的应用一直并可能继续处于这场革命的前沿。应用于常规和高级神经肿瘤学MRI数据的各种AI方法已经能够识别弥漫性胶质瘤的浸润边缘，区分假性进展和真实进展，并且比日常临床实践中使用的方法更好地预测复发和生存率。影像基因组学还将促进我们对癌症生物学的理解，允许以高空间分辨率对分子环境进行无创采样，从而能够对潜在异质性细胞和分子过程的系统理解。通过提供空间和分子异质性的体内标记物，基于人工智能的影像组学和影像基因组学工具有可能将患者分为更精确的初始诊断和治疗途径，并在个性化医疗时代实现更好的动态治疗监测。尽管仍存在重大挑战，但随着人工智能技术的进一步发展和临床应用的验证，在影像学实践中将发生巨大变化。

2022-02-28

7290

神经影像研究驱动的脑龄估计作为脑疾病和健康状况识别的生物学标记

学习方法线性回归机器学习神经网络深度学习

大量神经影像数据的分析，使研究者对大脑区域的各种解剖分析变得越来越精细，并有助于检测不同的大脑状况和疾病。近年来，由神经影像驱动的脑龄估计被引入作为检测不同疾病和健康状况的有效生物标志物。但由于该类方法在近年来才涌现大量研究结果，还没有研究对脑龄研究以及具体的研究框架进行全面的回顾。

2022-02-28

5930

点击加载更多

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态