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

445442

阅读量

127

订阅数

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

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

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

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

纹理分析及其在医学成像中的应用

数据分析分类算法学习方法深度学习机器学习

纹理分析是一种量化图像强度变化的图像分析技术。的基本原理，以及它们的优点、缺点和应用。这项研究的重点是收集和分析近50年来有关纹理分析的研究，简要描述了不同的方法，并给出了应用实例。鉴于纹理分析应用广泛，本研究主要集中在生物医学图像分析领域，并整理了一份最新的生物组织和器官相关的疾病产生的纹理变化的列表，可用于查阅疾病的发病和进展。最后，总结了纹理分析方法作为疾病生物标记物的作用。本文发表在IEEE REVIEWS IN BIOMEDICAL ENGINEERING杂志。

2022-02-28

9020

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

7260

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

5910

EEGNet：一个小型的卷积神经网络，用于基于脑电的脑机接口

机器学习神经网络深度学习人工智能卷积神经网络

脑机接口(BCI)利用神经活动作为控制信号，可以与计算机直接通信。这种神经信号通常从各种研究充分的脑电图(EEG)信号中选择。对于给定的脑机接口(BCI)范式，特征提取器和分类器是针对其所期望的脑电图控制信号的不同特征而定制的，这限制了其对特定信号的应用。卷积神经网络(Convolutional neural networks， CNNs)已被用于计算机视觉和语音识别中进行自动特征提取和分类，并成功地应用于脑电信号识别中；然而，它们主要应用于单个BCI范例，因此尚不清楚这些架构如何推广到其他范例。在这里，我们想问的是，我们是否可以设计一个单一的CNN架构来准确地分类来自不同BCI范式的脑电图信号，同时尽可能小型的方法。在这项工作中，我们介绍了EEGNet，一个小型的卷积神经网络为基于脑电图的BCI。我们介绍了深度卷积和可分离卷积的使用来构建脑电图特定模型，该模型封装了众所周知的脑机接口脑电图特征提取概念。我们比较了EEGNet，包括被试内和跨被试分类，以及目前最先进的四种BCI范式：P300视觉诱发电位、错误相关负波(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)。我们表明，当在所有测试范例中只有有限的训练数据可用时，EEGNet比参考算法更好地泛化，并取得了相当高的性能。此外，我们还演示了三种不同的方法来可视化训练过的EEGNet模型的内容，以支持对学习到的特征的解释。意义：我们的结果表明，EEGNet足够鲁棒，可以在一系列BCI任务中学习各种各样的可解释特征。本文发表在Journal of Neural Engineering杂志。

2021-12-05

1.3K0

基于机器学习的脑电病理学诊断

学习方法机器学习深度学习人工智能神经网络

机器学习(Machine learning, ML)方法有可能实现临床脑电(Electroencephalography, EEG)分析的自动化。它们可以分为基于特征的方法(使用手工制作的特征)和端到端的方法(使用学习的特征)。以往对EEG病理解码的研究通常分析了有限数量的特征、解码器或两者兼而有之。对于I)更详细的基于特征的EEG分析，以及II)两种方法的深入比较，我们首先开发了一个全面的基于特征的框架，然后将该框架与最先进的端到端方法进行比较。为此，我们将提出的基于特征的框架和深度神经网络(包括EEG优化的时间卷积网络(temporal convolutional network, TCN))应用于病理性和非病理性EEG分类。为了进行强有力的比较，我们选择了天普大学医院(Temple University Hospital, TUH)的异常EEG语料库(2.0.0版)，其中包含大约3000个EEG记录。结果表明，所提出的基于特征的解码框架可以达到与现有深度神经网络相同的精度。我们发现这两种方法的准确率都在81%到86%的范围内。此外，可视化和分析表明，这两种方法使用了相似的数据方面，例如，在颞叶电极位置处的delta和theta波段功率。我们认为，由于临床标签之间的不完全一致性，目前的二值EEG病理解码器的准确率可能达到90%左右，并且这种解码器已经在临床上有用，例如在临床EEG专家很少的领域。我们提出的基于特征的框架是开源的，从而为EEG机器学习研究提供了一个新的工具。本文发表在Neuroimage杂志。

2021-03-16

7430

Nature Medicine：经颅交流电刺激可以改善强迫症

强化学习机器学习神经网络深度学习人工智能

强迫症行为在普通人群中非常普遍，对个体造成极大的痛苦。目前对强迫症的治疗结果令人失望，并伴随着副作用。通过非侵入性的神经调节(例如，经颅交流电刺激，tACS)，可以进行个性化干预。

2021-02-24

1K0

Nature neuroscience：利用encoder-decoder模型实现皮层活动到文本的机器翻译

机器学习深度学习人工智能 c++神经网络

距离首次从人脑中解码语言至今已有十年之久，但解码语言的准确性和速度仍然远远低于自然语言。本研究展示了一种通过解码皮层脑电获得高准确率、高自然程度语言的方法。根据机器翻译的最新进展，我们训练了一个递归神经网络，将每个句子长度下诱发的神经活动序列编码为一个抽象的表达，然后逐字逐句地将这个抽象表达解码成一个英语句子。对每个参与者来说，数据包括一系列句子（由30-50个句子多次重复而来）以及约250个置于大脑皮层的电极记录到的同步信号。对这些句子的解码正确率最高可以达到97%。最后，本研究利用迁移学习的方法改进对有限数据的解码，即利用多名参与者的数据训练特定的网络层。本研究发表在Nature neuroscience杂志。

2020-07-22

1.1K0

BRAIN：用于阿尔茨海默病分类的可解释深度学习框架的开发和验证

机器学习神经网络人工智能深度学习数据库

阿尔茨海默症是全世界痴呆症的主要病因，随着人口老龄化，患病负担不断增加，在未来可能会超出社会的诊断和管理能力。目前的诊断方法结合患者病史、神经心理学检测和MRI来识别可能的病例，然而有效的做法仍然应用不一，缺乏敏感性和特异性。在这里，本文报告了一种可解释的深度学习策略，该策略从MRI、年龄、性别和简易智力状况检查量表(mini-mental state examination ,MMSE) 得分等多模式输入中描绘出独特的阿尔茨海默病特征（signatures）。该框架连接了一个完全卷积网络，该网络从局部大脑结构到多层感知器构建了疾病概率的高分辨率图，并对个体阿尔茨海默病风险进行了精确、直观的可视化，以达到准确诊断的目的。该模型使用临床诊断的阿尔茨海默病患者和认知正常的受试者进行训练，这些受试者来自阿尔茨海默病神经影像学倡议（ADNI）数据集（n = 417），并在三个独立的数据集上进行验证：澳大利亚老龄化影像、生物标志物和生活方式研究（AIBL）（n = 382）、弗雷明汉心脏研究（FHS）（n = 102）和国家阿尔茨海默病协调中心（NACC）（n = 582）。使用多模态输入的模型的性能在各数据集中是一致的，ADNI研究、AIBL、FHS研究和NACC数据集的平均曲线下面积值分别为0.996、0.974、0.876和0.954。此外，本文的方法超过了多机构执业神经科医生团队（n = 11）的诊断性能，通过密切跟踪死后组织病理学的损伤脑组织验证了模型和医生团队的预测结果。该框架提供了一种可适应临床的策略，用于使用常规可用的成像技术（如MRI）来生成用于阿尔茨海默病诊断的细微神经成像特征；以及将深度学习与人类疾病的病理生理过程联系起来的通用方法。本研究发表在BRAIN杂志。

2020-07-15

1.7K0

读文万卷023期：帕金森病的磁化率扰动的全脑模式；磁共振灌注加权成像用于治疗后恶性胶质瘤评估的Meta分析

机器学习神经网络深度学习人工智能

尽管铁调节的氧化应激被认为是帕金森氏病的潜在发病机制，但尚未阐明帕金森氏病中铁沉积的全脑分布。该研究使用了新的磁共振对比成像、定量磁化率映射和最新技术方法，首次绘制了25例特发性帕金森氏病与50例正常对照全脑尺度的静磁变化，作为铁水平变化的替代指标。除全脑分析外，该研究还进行了一项局部研究，包括将黑质亚段细分为背侧和腹侧区域以及对单个受试者的磁化率图进行定性评估。最显著的基底神经节效应是在黑质背侧明显磁化率增加（与铁沉积一致），尽管在腹侧区域也观察到了这种效应。此外，还发现在鼻部桥脑区域和一个与已知的帕金森病的α-突触核蛋白病理分布紧密相关的皮质模块的体积磁化率增加。然而，通常富含铁的小脑齿状核显示磁化率降低，表明铁含量降低。这些结果与以前的验尸研究一致，后者在特定的目标脑区评估了铁含量。然而，新皮层和小脑的广泛变化构成了铁失调的复杂模式，这远超出预期。

2020-06-05

4390

AJNR:深度学习在神经放射学的应用

学习方法深度学习机器学习人工智能神经网络

欢迎关注思影科技的长文解读，希望我们的解读可以伴随思影的读者们共同成长，如果可以给我们一个转发，一定是对思影的莫大帮助和鼓励，谢谢！

2020-05-25

5190

思影科技眼动数据处理服务

数据处理数据分析机器学习神经网络深度学习

眼动数据看似简单，但其数据结构紧密结合了平面空间特性和时间特性。单纯的感兴趣分析，不仅难以挖掘出数据中有用的隐含信息，在文章发表的过程中，也会由于分析手段简单而不易引起审稿人的重视，难以发出高质量的文章。因此，思影科技结合最新的眼动数据处理技术，为客户的认知科学研究保驾护航。

2020-05-11

1.1K0

思影科技脑结构磁共振成像数据处理业务

数据分析机器学习神经网络深度学习人工智能

好数据是好结果的前提，我们会对您的数据进行细致的检查，提高科研结果的严谨性。

2020-05-08

1.5K0

思影科技功能磁共振(fMRI)数据处理业务

数据分析机器学习神经网络深度学习人工智能

随着技术的进步，功能磁共振成像（fMRI）已成为脑疾病、认知神经科学等领域的重要研究手段。思影科技紧随潮流，推出了一系列fMRI数据处理培训课程，广受相关领域研究者们的好评。在解决研究者们学习需求的同时，科研合作也变得日趋重要。为此，思影科技推出fMRI数据处理服务，以更好地协助解决大家面临的科研问题，如感兴趣请联系杨晓飞siyingyxf或19962074063（微信号）进行咨询，电话：18580429226

2020-04-02

2.2K0

Neuro-Oncology：对脑胶质瘤IDH突变状态进行分类的一种新型的基于MRI的全自动深度学习算法

神经网络学习方法编程算法深度学习

异柠檬酸脱氢酶（Isocitrate dehydrogenase, IDH）突变状态已成为神经胶质瘤的重要预后标志。当前，可靠的IDH突变诊断需要侵入性外科手术。该研究的目的是使用T2加权（T2w）MR图像开发高度精确的、基于MRI的、基于体素的深度学习IDH分类网络，并将其性能与基于多模态数据的网络进行比较。研究人员从癌症影像档案馆（The Cancer Imaging Archive，TCIA）和癌症基因组图谱（The Cancer Genome Atlas，TCGA）中获得了214位受试者（94位IDH突变，120位IDH野生型）的多参数脑MRI数据和相应的基因组信息。他们开发了两个单独的网络，其中包括一个仅使用T2w图像的网络（T2-net）和一个使用多模态数据（T2w，磁共振成像液体衰减反转恢复序列（FLAIR）和T1 postcontrast）的网络（TS-net），以执行IDH分类任务和同时进行单标签肿瘤分割任务。本文使用3D的Dense-UNets的架构。使用三折交叉验证泛化网络的性能。同时使用Dice系数评估算法分割肿瘤的精度。T2-net在预测IDH突变状态任务上表现出97.14％±0.04的平均交叉验证准确率，灵敏度为0.97±0.03，特异性为0.98±0.01，曲线下面积（AUC）为0.98±0.01。TS-net的平均交叉验证准确性为97.12％±0.09，灵敏度为0.98±0.02，特异性为0.97±0.001，AUC为0.99±0.01。T2-net的肿瘤分割Dice系数的平均得分为0.85±0.009，TS-net的肿瘤分割Dice系数的平均得分为0.89±0.006。

2020-04-01

1.1K0

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