Sep, 2023

贝叶斯纵向张量响应回归模型的神经可塑性建模

PDF
TL;DR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。
longitudinal neuroimaging studiesbayesian tensor response regressionvoxel-level neuroplasticityfeature selectionlongitudinal aphasia dataset
发现论文，激发创造
  • 张量回归及其在神经影像数据分析中的应用

    针对医学图像中的高维复杂张量变量，提出了一种基于张量回归模型的新方法，该方法在降低维度和有效估计方面表现出色，并在合成和真实 MRI 图像数据上进行了有效性展示。

    Mar, 2012

  • 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

    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。

    Dec, 2016

  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023

  • 脊柱 MRI 的自监督学习

    本论文提出利用临床中的长期扫描数据进行自我监督学习的方法，使用连续的 MRI 扫描数据进行预训练的 Siamese 卷积神经网络，同时使用对比损失和分类损失对其进行训练，并在椎间盘退变的分类任务上证明其优于从头开始训练的网络，并且需要更少的标注数据。

    Aug, 2017

  • 小样本脑图：在具有随机化和聚类的空间相关设计上实现稀疏恢复

    使用稀疏回归模型和变量聚类来解决功能性磁共振成像数据的支持恢复问题。

    Jun, 2012

  • V2C-Long：带时空对应的纵向皮层重建

    使用深度学习方法的 V2C-Long 重建了长期 MRI 上的皮层表面，并且通过建立强大的时空对应关系，提高了对阿尔茨海默病中区域性皮质萎缩的敏感性。

    Feb, 2024

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    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

  • 多线性张量回归对于纵向关系数据的应用

    本文开发了一种类型的回归模型来估计纵向和多元关系数据中成员之间的关系，该模型基于多线性张量回归模型，一种特殊情况是张量自回归模型，可以表示关系和网络数据中经常出现的模式，如互惠和传递性。

    Nov, 2014

  • 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

  • 不变形还是变形：基于无监督关键点检测的新辅助化疗乳腺动态对比增强磁共振成像的治疗感知纵向配准

    通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。

    Jan, 2024