利用大脑网络结构自动识别 ADHD 患者
该研究使用机器学习和神经科学方法,基于 ADHD200 数据集进行多分类和二分类诊断生物标记,使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断,准确率达到 92.5%。
Feb, 2023
近年来,利用脑电图(EEG)进行注意力缺陷多动障碍(ADHD)预诊断吸引了研究人员的关注。本文提出一种改进的拓扑数据分析方法,用于多通道 EEG 信号在 ADHD 中的应用。结果表明,该方法具有更高的精确度和鲁棒性。
Apr, 2024
本文提出了一种基于骨骼动作识别的注意力缺陷多动障碍诊断系统,利用真实的多模式 ADHD 数据集和先进的检测算法。与传统方法相比,该方法在成本效益和性能方面均表现出色,适用于广泛的初步 ADHD 诊断和大规模筛查。
Apr, 2023
研究使用功能性磁共振成像技术研究人类大脑活动的异常功能性特征,包括与神经退行性疾病相关的异常功能特征,进而比较带有阿尔茨海默病和正常对照组之间的功能脑网络拓扑特性差异,结果表明 AD 患者存在异常的网络整合和分离,这些发现有助于从功能脑网络结构角度提高我们对 AD 病理生理学的认识,并可能有助于识别 AD 生物标志物。
May, 2023
利用多个不同来源的功能性磁共振成像数据(4,410 名受试者,6 个位置)建立深度学习模型,能够识别 5 种脑部疾病,包括默认模式、执行控制、视觉和边缘网络等共同受损的功能子网络,并发现了早期和晚期大脑疾病共同谱系。
Feb, 2023
使用功能磁共振成像研究了阿尔茨海默病患者和正常控制组之间的功能性脑网络连通性差异,结果发现 AD 组整体的功能连接度降低,这一成果有助于我们深入理解 AD 的病理生理学并找出 AD 的生物标志物。
May, 2023
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架,结合注意力机制作用下获取的多层特征,以更好地捕捉脑部图像的细微差异,用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证,基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率,并且超过了一些最先进的方法。
Aug, 2023
在临床医院环境中,使用磁共振成像(MRI)扫描,我们提出了一种基于分层注意力网络的异常检测方法。这种分层方法提高了分类精度,同时通过粗糙的切片异常定位或不同切片和序列的重要性评分来解释模型的结果,使其适用于放射科部门的自动分诊系统。
Nov, 2023
通过使用 HOGAB 模型,本研究发现长期使用大麻会对认知控制产生负面影响,特别是在注意力、认知和高级认知功能所需的脑网络中,以预测渴望图和识别与长期渴望相关的脑图,并确定对分析重要的活跃区域。
Feb, 2024
研究使用 R-fMRI 从人们的脑功能区构建个体特定的连通图谱,能够提高自闭症谱系障碍患者的神经心理状态的识别准确率,其数据集可以从多个不同处获取,且所提取的功能脑区明显比参考图谱更具有生物标志物发现的重要性。
Nov, 2016