人类大脑皮层连接驱动的划分方法
本文提出了一种基于脑白质纤维束连接信息对个体大脑皮层进行完整分区的混合方法,分为五个步骤,最终输出不同皮层的子区分标签。在功能分化、功能整合和小世界等方面,经过测试得出其效果良好。
Feb, 2020
通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路,以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域,从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。
Feb, 2020
提出一种基于多个脑区功能磁共振成像信号的预测方法,通过引入层次聚类和特征聚合实现降维,从而提高了预测准确性,并推断了与回归或分类任务相关的脑区的权重分配。
Apr, 2011
早期脑发育的组织联系相连接机构形成高度有序的结构连接组。通过该连接组的相互连接性,大脑的认知能力受到影响,并对疾病和环境因素产生影响。因此,对围产期阶段的结构连接进行定量评估有助于研究正常和异常的神经发展。然而,从扩散 MRI 数据中估计连接组涉及复杂的计算。对于围产期,这些计算进一步受到脑快速发育和图像难度的挑战。加上高主体间变异性,这些因素使得在脑发育的这一关键阶段建立结构连接的可靠参考基线变得困难。在本研究中,我们开发了一个基于时空平均的计算框架来确定此类基线。我们使用该框架来分析来自 166 个主体的 33 到 44 周月经后的结构连接。我们的结果揭示了围产期结构连通性发展中的明确且强烈的趋势。基于纤维状异性和神经树突密度的连接权重产生了最一致的结果。我们观察到全局和局部效率的增加,特征路径长度的减小,以及大脑叶和半球内外之间连接的广泛增强。我们还观察到不同连接权重方法之间一致的不对称模式。这种新的计算方法和结果在早期评估结构连接的正常和异常发展中非常有用。
Aug, 2023
本文综述了功能连接组的快速发展和多种方法,在静息状态下和任务驱动实验中如何比较它们,同时分析它们在不同个体和条件下的变异性,可以揭示大脑病理和认知机制的标记。
Apr, 2013
我们介绍了一种自我监督的方法,用于检测大脑皮层的 2D 尼氏染色的组织切片中的层次结构,该方法可以加速细胞构造分析,避免注释需求并推进跨物种研究。
Nov, 2023
提出了一种新的基于图编辑距离的方法,用于比较大脑图并直接反映出相似性及网络元素对应关系,从而更准确地表示个体网络的相似性和变化,并在一个双胞胎数据集上进行了验证。
Mar, 2017
TractCloud 是一种无需配准的框架,通过利用邻近和全脑纤维束的信息描述大脑的局部解剖和全局姿态,实现个体空间中的全脑白质解剖,并在各个测试数据集上显著优于现有方法。
Jul, 2023