neurodegenerative diseases | BriefGPT

关键词neurodegenerative diseases

搜索结果 - 22

使用 3D 可变形自编码器进行阿尔茨海默病特征的无监督分析
使用 MORPHADE（Morphological Autoencoders for Alzheimer's Disease Detection）这个新颖的无监督学习方法，我们能够通过对 3D T1 加权脑图像进行形变分析，不仅检测出阿尔茨
PDF4 days ago
步态神经退行性疾病诊断中的人工智能调查
通过机器学习和深度学习技术应用于步态诊断，本文综述了近来关于五种典型神经退行性疾病诊断的研究进展，提出了一个全面的有关人类步态数据和人工智能模型的系统分类，揭示了该领域的挑战、潜在解决方案和未来方向，并展望通过利用三维骨架数据和开发更高效的
PDF2 months ago
探索利用机器人采集的数据培训手势分类系统的潜力
通过使用机器人收集的数据来训练分类系统，这项研究探究了在训练智能系统时特定样本的稀缺性所带来的挑战。研究结果在确定使用机器人运动数据作为训练数据来准确识别佩戴智能手表的人类数字字符的潜力方面提供了有价值的见解，对于那些访问人类特定数据有限的
PDF2 months ago
使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述
通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。
PDF2 months ago
EEG-MACS：基于流形注意力与置信分层的不可靠标记下的跨中心脑疾病诊断
使用脑信号进行神经退行性疾病的基于脑电图的智能诊断面临数据异质性和标注不可靠性的挑战。本研究引入了 Manifold Attention and Confidence Stratification (MACS) 的可转移框架，通过来自四个中
PDF2 months ago
混合现实眼动追踪在神经退行性疾病诊断中的应用
通过混合现实技术实现眼动跟踪和评估，为神经退行性疾病提供一种非侵入性的监测方法，以诊断帕金森病为例，通过提取从眼注视分析中得出的临床相关特征，实现对疾病进展和认知功能的可靠评估。
PDF3 months ago
随机皮层自重建
磁共振成像（MRI）对诊断神经退行性疾病至关重要，然而准确评估轻度皮质萎缩仍然是一个挑战，因为其细微性质。我们介绍了随机皮质自重建（SCSR）的概念，通过使用 MRI 获得的厚度作为输入来创建一个个体特异的健康参考，并隐式考虑潜在的混淆因素
PDF4 months ago
wmh_seg: 转换器基于的 U-Net 用于 1.5T、3T 和 7T 的鲁棒和自动化的白质高信号区分割
使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。
PDF5 months ago
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
PDF5 months ago
人口图谱构建方法与脑龄回归的图神经网络的比较研究
推断脑龄估计中的群体图结构对图神经网络的影响。
PDF9 months ago
智能手表衍生的认知相关日常功能缺陷声学标记
使用基于智能手表的应用程序收集声学特征作为检测日常功能缺陷的客观标记是可行的，通过声学特征可以高达 77.8% 的准确率检测出存在日常功能缺陷的个体。
PDF10 months ago
学习同源脑结构正常不对称表示
通过异常检测和表征学习，使用孪生架构将大脑结构的左右半球分割映射到正常非对称嵌入空间中，以量化未见过的样本对中心的嵌入距离，为研究正常大脑非对称性和神经变性疾病的诊断提出了一种新颖的方法。
PDFa year ago
揭示吞噬作用：可扩展和可解释的深度学习框架用于神经退行性疾病分析
本研究提出了一种全自动、可扩展的实时框架，用于定量和分析噬菌作用，使用可解释的深度学习模块以提高深度学习方法的可解释性，并将其应用于前颞叶痴呆症（FTD）中微胶质细胞噬菌作用的量化和分析，得出了将 FTD 变异细胞与对照组细胞相比较具有更大
PDFa year ago
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。
PDFa year ago
RPM3D 项目：远程患者监测的三维运动学
该研究探讨了基于智能手表捕获的 3D 动作分析的远程患者监护可能性，该研究基于快速人类运动的运动学理论，在古特曼神经康复医院进行了实验验证，并显示出有前途的结果。该技术可能在远程医疗应用中发挥重要作用，提高医疗效率，降低医疗成本，未来将进一
PDF2 years ago
基于层级符号图池化模型的对比性脑网络学习
提出一种可解释性的分层符号图表示学习模型，用于从脑功能网络中提取全局表示以用于不同的预测任务，并且通过数据扩充进一步提高其性能。通过在 HCP 和 OASIS 数据集上进行广泛实验的结果表明，该模型在预测任务中表现出优越性，并使用图形显着性
PDF2 years ago
Functional2Structural：跨模态脑网络表示学习
用 Deep Signed Brain Networks（DSBN）建立了一种新的图学习框架，以连接两种脑网络，以预测临床表型和神经退行性疾病，结果显示其优于其他现有方法。
PDF2 years ago
利用阿尔茨海默病相关知识图谱，识别潜在的与 AD 相关的语义三元组以进行药物重用挖掘
本研究旨在构建一个知识图谱以研究阿尔茨海默病（AD）与化学物质、药物和膳食补充剂之间的关系，从而识别预防或延缓神经退行性进展的机会，结果表明我们的图形挖掘模型可以预测 AD 和其他实体之间的可靠新关系。
PDF2 years ago
DeepCSR：一种用于大脑皮层表面重建的三维深度学习方法
本文提出了一种基于深度学习的 3D 框架 DeepCSR，用于从 MRI 中重建大脑皮层，并在清晰地捕捉皮层折叠的同时，能够高效地重建皮层表面，比 FreeSurfer 和 FastSurfer 更准确更快。
PDF4 years ago
退化敌对神经影像网络：生成类似疾病进展的图像
本文提出了一种基于深度学习的神经退行性疾病影像生成方法，使用支持向量回归器捕捉疾病进展伴随的局部强度变化模式，并利用对抗训练生成保持个体大脑形态的 MRI 影像。
PDF5 years ago