Oct, 2023

基于体素的大脑年龄预测方法：评估区域性大脑老化

PDF
TL;DR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。
brain agingbrain age predictionmachine learningdeep learningregional analysis
发现论文，激发创造
  • 将大脑年龄预测问题重新构建为更易解释且定量化的方法

    深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

    Aug, 2023

  • 脑结构衰老 -- 一种用于多病分类的新生物标志物

    本文提出了使用深度学习模型通过 MRI 数据预测大脑结构的年龄从而提高异常检测的准确性，并且该方法可用于神经疾病差异诊断的多病种分类任务。

    Apr, 2023

  • 利用深度学习从原始成像数据预测大脑年龄，得出可靠的遗传生物标志 / 生物标志物

    使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

    Dec, 2016

  • 用于脑龄预测的半监督扩散模型

    我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

    Feb, 2024

  • 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

  • 使用协方差神经网络进行可解释的大脑年龄预测

    本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。

    May, 2023

  • 利用回归模型和 MRI 特征实现强韧的脑龄预测

    本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

    Jun, 2023

  • 全局 - 局部变压器用于脑龄估计

    本研究提出了一种全局和局部信息相结合的转换器，将局部细节和全局信息相结合，利用注意机制根据磁共振成像（MRI）数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证，相比现有方法，其均方误差为 2.70 岁，相关系数为 0.9853，同时提供了与脑龄估计相关的信息。

    Sep, 2021

  • 区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

    通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过 MRI 图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。

    Apr, 2023

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015