NIPSDec, 2016

神经影像分析的体素非线性回归工具箱：应用于衰老和神经退行性疾病建模

PDF
TL;DR该研究论文介绍了一种新的神经影像分析工具箱，允许对体素级别的非线性效应进行建模，克服了基于线性模型（如 GLM）的方法的局限性。我们使用相关示例说明了其特点，该示例发现了与阿尔茨海默病相关的脑萎缩模式的不同非线性轨迹，这些轨迹在疾病的完整生物光谱上均可发现。本文介绍的开源工具箱可在此 https://URL 获得。
neuroimagingnonlinear effectsvoxel levelalzheimer's diseaseopen-source toolbox
发现论文，激发创造
  • 贝叶斯纵向张量响应回归模型的神经可塑性建模

    采用贝叶斯张量回归方法，在长期神经成像研究中，通过调整协变量并跨空间分布的体素进行信息汇集，实现对重要变化的推断，该方法具有降维和保留体素空间形状的优势，可应用于个体级神经可塑性研究和预测，在模拟研究和多周访问情景中验证了该方法相比体素回归在预测和特征选择方面的优越性。

    Sep, 2023

  • 基于体素的大脑年龄预测方法：评估区域性大脑老化

    通过深度学习模型进行局部脑龄预测，发现健康人和有神经疾病（如痴呆和阿尔茨海默病）的人之间存在脑龄差异。

    Oct, 2023

  • 基于遗传和临床数据的解剖预测建模

    我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在 ADNI 队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

    Oct, 2020

  • 变分自编码回归：应用于脑衰老分析

    本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄，实现了对人脑结构发育规律的直观解释。

    Apr, 2019

  • 基于形变的形态测量框架，使用学习的正常老化模板分辨阿尔茨海默病与正常老化

    通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

    Nov, 2023

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023

  • 学习合成无纵向数据的老化大脑

    该论文提出了一种基于深度学习的方法，通过合成图像并考虑年龄和阿尔茨海默病的状态，来模拟特定对象的大脑衰老轨迹，并展示了该方法在神经退行性疾病研究中的应用潜力。

    Dec, 2019

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 基于协方差神经网络的脑龄预测基础模型

    使用神经影像数据和机器学习算法估计生物年龄的脑龄是反映神经退行和认知衰退易感性增加的标志。本文研究了基于协方差神经网络的神经 VNN 作为脑龄预测应用基础模型，在健康人群中对神经 VNN 进行了预训练用于预测年龄，并在不同神经学背景下进行了微调来估计脑龄。重要的是，神经 VNN 为脑龄增加解剖学可解释性，并具有 “无尺度” 特性，可迁移到根据任意脑图精心策划的数据集。我们的结果表明，神经 VNN 可以从不同人群中提取符合生物学规律的脑龄估计，并成功迁移到维度与训练神经 VNN 的数据集不同的数据集中。

    Feb, 2024

  • 基于解剖形状和表格临床数据的宽且深的神经网络生存分析

    研究利用神经网络将患者的 hippocampus 形态和临床生物标记结合，预测从轻度认知障碍到阿尔茨海默病的进展，并且在处理时间数据时采用了常用的生存分析方法。实验表明，该模型的表现优于处理形态数据以及处理临床生物标记数据的模型。

    Sep, 2019