神经形态学:一种新型的脑 MRI 不对称性特征构建方法,用于癫痫复发预测
通过使用脑部网络的静息态功能磁共振成像技术,本研究采用复发图方法对 100 名受试者的脑部网络进行分析,并通过自编码器得出低维特征嵌入,得到 93% 的分类准确率,证明了该方法的潜力。
Nov, 2023
通过对长期患者数据集的分析,研究人员提出了用于预测特定患者癫痫发作的统计特征的自动发现和量化方法,其中使用了现有和新颖的特征提取算法,特别是路径标识这一时间序列分析的最新发展技术。
Aug, 2023
该研究提出了一种新的、综合的框架,通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现,来预测儿科患者的癫痫发作。结果显示,深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功,循环神经网络(RNN)在精确度和 F1 分数上表现最好,长短期记忆(LSTM)在准确度上超过了 RNN,卷积神经网络(CNN)在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义,有可能改变临床实践,并改善儿科护理。
Sep, 2023
脑内癫痫发作是大脑异常神经放电,影响全球约 7 千万人口。本文介绍了开源神经影像工具如 MATLAB、Slicer 3D、Brain Suite21a、SPM 和 MedCalc 的范围和应用。其中 60% 的研究人员使用 MATLAB 进行图像处理,10% 使用自有软件,30% 以上利用其他开源软件工具进行磁共振癫痫图像的研究处理技术。
Aug, 2023
本研究采用七种不同的算法通过临床和人口统计学数据开发和测试机器学习模型,精确预测癫痫手术的预后,研究表明,基于机器学习的手术前的患者临床特征预测模型,能够精确地预测难治性病人的癫痫手术结果。通过挑选特征子集数据挖掘的监督分类机器学习策略可达到更好的预测效果,同时机器学习预测模型的发展为个性化医疗提供了必要的基础。
Feb, 2023
本研究通过使用 TUH EEG Seizure Corpus 数据集,评估了一种新型的循环卷积神经网络,该网络在每 24 小时内的假警报率为 7 次,灵敏度达到 30%。研究表明,深度学习结构集成空间和时间信息对于达到最先进的表现至关重要,并将推动出一代临床可接受的技术。
Dec, 2017
本文提出了一种基于深度学习的脑肿瘤复发位置预测网络,使用多模态脑肿瘤分割网络进行预训练,并开发了多尺度多通道特征融合模型和非线性相关学习模块来学习有效特征,同时使用 KL 散度进行特征之间的相似度评估,以此为基础设计了相关损失函数,通过联合分割当下和预测未来肿瘤位置来更精确有效地制定治疗方案,实验证明该方法对于预测有限数据集中的脑肿瘤复发位置具有良好的效果。
Apr, 2023
本研究通过设计一种新颖的统计方法,利用磁共振成像(MRI)来评估侵袭性人脑癌 Glioblastoma multiforme (GBM) 患者的肿瘤,发现相较于其他肿瘤形状量化和常见分子检测,为预测 GBM 患者临床结果提供更好的预测准确性,因而证实了 SECT 在医学影像信息学中的应用价值。
Nov, 2016
本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力,通过同时捕获频谱、时间和空间信息,我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果,具有较高的灵敏度和低的假阳性率。此外,我们的模型对于缺失通道和不同的电极配置也表现出稳健性。
Jul, 2016
我们提出了一种基于关键点的通用脑 MRI 配准基础模型,称为 BrainMorph,它支持多模态、成对和可扩展的团体配准,该模型在大规模的数据集上进行训练并展示了出色的配准准确性和速度。
May, 2024