思影科技-腾讯云开发者社区

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

专栏成员

428

文章

490974

阅读量

132

订阅数

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

1K0

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

1.2K0

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

2.7K0

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

1.7K0

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

8440

脑肿瘤的影像组学：图像评估、定量特征描述和机器学习方法

机器学习神经网络人工智能学习方法监督学习

影像组学描述了从影像图像中提取定量特征的一系列计算方法。其结果常常被用于评估影像诊断，预后以及肿瘤治疗。然而，在临床环境中，优化特征提取和快速获取信息的方法仍然面临重大挑战。同样重要的是，从临床应用角度，预测的影像组学特征必须明确地与有意义的生物学特征和影像科医生熟悉的定性成像特性相关联。在这里，我们使用跨学科的方法来强化影像组学的研究。我们通过提供基于新的临床见解的计算模型（例如，计算机视觉和机器学习）来探究脑肿瘤影像学研究（例如，潜在的图像意义）。我们概述了当前定量图像特征提取和预测方法，以及支持临床决策不同水平的可行的临床分类。我们还进一步讨论了机器学习未来可能面临的挑战和数据处理方法，以推进影像组学研究。本文发表在American Journal of Neuroradiology杂志。

2022-02-28

1.6K0

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

1.7K0

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

8180

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

1.1K0

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

1.8K0

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

4710

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

5830

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

1.6K0

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

2.3K0

思影科技啮齿类动物（大小鼠）神经影像数据处理业务

数据处理机器学习神经网络深度学习人工智能

思影啮齿类动物（大鼠/小鼠）数据处理现主要涵盖sMRI（T1加权像）、dMRI（DWI，弥散加权成像）和fMRI（功能磁共振）三种模态。

2020-04-01

1.4K0

BMC Medicine：自闭症谱系障碍静息态EEG信号的定量递归分析

机器学习神经网络深度学习人工智能

自闭症谱系障碍(ASD,Autism spectrum disorder )是一种神经发育障碍，患病率为1-2%。特别是在低资源环境中，对ASD的早期识别和诊断是一个重大挑战。因此，ASD迫切需要一种“语言自由、文化公平”，并且不需要专业人员参与的低成本筛选工具。在ASD和神经发育障碍中，EEG可用来寻找生物标记物。其中，关键挑战之一是确定适当的多元下一代分析方法（multivariate, next-generation analytical methodologies），这些方法可以描述大脑中复杂的非线性神经网络动态性，同时也考虑到可能影响生物标记物发现的技术和人口学混淆因素。开普敦大学儿童和青少年精神病科T. Heunis和P. J. de Vries等人在BMC Medicine杂志发文，评估定量递归分析（RQA，recurrence quantification analysis ）作为ASD潜在生物标记物的稳健性，并对一系列潜在的技术和人口混杂因素进行系统的方法学探索。

2020-03-19

1.2K0

眼动研究：决策注意中注视对物体价值的交互影响

机器学习神经网络深度学习人工智能

在做决定时，人们倾向于选择看了更多的选项。注意力如何影响选择过程呢？乘法模型认为注视放大了被关注选项的主观价值；加法模型认为注视增加了一种恒定的、与价值无关的偏见。本研究使用来自多个实验室的6项实验数据验证了两种模型的拟和度。该文由俄亥俄州立大学的研究者完成，发表在期刊Psychological Science上。

2020-02-25

6980

大话脑影像之二十三：浅谈影像组学

编程算法机器学习神经网络深度学习人工智能

提笔写下浅谈影像组学几个字，我略微有点忐忑以及不安，史诗般的宏大题目，怕自己HOLD不住，但在这个满世界人工智能的时代，不做点严肃文学科普工作，不是我的风格，毕竟，我下楼吃碗面，老板都跟我说，根据他潜心研究搭建的“基于环境、气候、人群活动等指标的无监督多参数自我学习本店客流量预测模型”显示的结果，我今天会成为他第123个客户，我略带深沉的问他“那你的模型预测准确度有多少？”，老板谦虚的说道“我的模型一直在自我进化，目前大概徘徊在50.9%”，我说兄弟，是时代埋没了你，你应该去BAT做高级算法工程师或者去买彩票，面馆老板虽然嘴上没说，但我知道他心里一定一阵窃喜，因为今天他给我的牛肉面里多放了半块牛肉。

2019-10-14

1.8K0

JAMA Psychiatry：脑影像机器学习预测精神疾病患者社会功能

机器学习神经网络深度学习人工智能

社会和职业障碍加剧了精神病和抑郁症的负担。目前我们需要一种风险分层工具来为处于这些疾病风险中的早期阶段的个人提供个性化的功能障碍预防策略。目的：

2019-10-10

1.1K0

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

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