neuroimaging data | BriefGPT

关键词neuroimaging data

搜索结果 - 22

运用 XGBoost 进行青少年脑认知发展数据中强健的强迫症（OCD）生物标记选取
本研究评估了不同监督式机器学习模型在分析与青春期大脑认知发展（ABCD）研究高度相关的神经信号数据中的性能，并重点预测强迫症量表。我们通过模拟数据集来模拟在成像数据中常见的相关结构，并评估逻辑回归、弹性网络、随机森林和 XGBoost 的能
PDF2 months ago
利用机器学习和三维神经影像预测听力损失：降维和回归技术的比较分析
通过机器学习方法，本研究探索了预测大脑灰质三维图像中听力损失阈值的方法。我们采用了两个阶段的解决方案，第一阶段使用 3D CNN 模型将高维输入转换为潜空间，并将其解码为原始图像以表示富特征空间的输入。在第二阶段，我们利用该模型将输入转换为
PDF2 months ago
大规模个体 fMRI 数据集中脑编码的岭回归扩展
评估不同的并行化技术以减少在 CNeuroMod Friends 数据集上使用 ridge 回归进行脑编码的训练时间，结果显示 Intel Math Kernel Library 在单个机器上使用 32 个线程时比 OpenBLAS 库快
PDF3 months ago
在功能连接研究中利用门控图变换器探索泛化智能
基于功能连接和神经影像数据，引入了门控图神经转换器（GGT）框架来预测认知指标，通过在费城神经发育队列（PNC）上进行实证验证，强调了该模型在识别与人类认知过程相关的关键神经连接方面的潜力。
PDF6 months ago
缩小差距：将最先进的 U-Net 模型推广至撒哈拉以南非洲人群
通过对不同数据集进行训练，本研究发现，在低质量数据环境下，将模型预训练于高质量神经影像数据，并在较小规模低质量数据上进行微调，可以显著提高肿瘤分割模型的性能。
PDF6 months ago
改善年龄预测：利用基于 LSTM 的动态预测增强多变量时间序列分析
通过数据增强和验证框架结合长短期记忆网络来丰富神经成像数据集，从而提高深度学习模型的性能，克服神经成像数据集规模有限的挑战。
PDF7 months ago
利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测
我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。
PDF7 months ago
使用基于顶点的脑皮层特征的 DenseNet 和支持向量机对主要抑郁症的分类
基于顶点特征和非线性分类器，将抑郁症患者和健康对照组区分开的研究表明，MDD 分类在这些特征和分类器的组合上是不可行的。
PDF8 months ago
多状态脑网络发现
该研究论文介绍了一种新的模型 MNGL（Multi-state Network Graphical Lasso），通过将 CGL（coherent graphical lasso）与 GMM（Gaussian Mixture Model）相
PDF8 months ago
预测中风后康复：基于可解释人工智能的深度学习、多模态数据和特征选择
机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数
PDF8 months ago
DeepFDR：一种基于深度学习的神经影像数据虚假发现率控制方法
本研究提出了 DeepFDR，一种新的空间 FDR 控制方法，利用无监督的基于深度学习的图像分割来解决基于体素的多重检验问题，在综合模拟和老年痴呆症 FDG-PET 图像分析的数值研究中，表明 DeepFDR 相对于现有方法具有明显的优势，
PDF8 months ago
使用 DeepRepViz 识别深度学习模型预测中的混淆因素
通过实验和模拟数据集的分析，我们展示了使用 DeepRepViz 与深度学习模型相结合的优势，该方案能帮助研究人员系统地检测潜在的混淆因素，并揭示依赖年龄、性别或图像伪迹等冗余信息的深度学习模型。
PDF9 months ago
使用深度学习算法揭示难治性癫痫脑网络：基于儿科患者单模态神经影像数据的可扩展性癫痫预测的新颖综合框架
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
PDF10 months ago
用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络
采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。
PDFa year ago
KDD神经影像数据的一次性联合提取、注册和分割
本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和
PDFa year ago
大脑相关任务预训练是否有助于深度学习的脑龄生物标志物的改善？
本文研究了深度学习模型对于大脑年龄预测的影响，提出了在大脑相关任务上进行预训练以获得最优结果，验证结果表明表现更好的模型并不一定意味着更可靠的生物标志物。
PDFa year ago
高阶交互作用的交互测量，划分格和核检验
本研究提出了一种 $d$ 阶交互作用度量的层次结构，定义了非参数的基于核的检验方法来系统地确定 $d$ 阶交互作用的统计显著性，并与格理论建立数学联系，以提高计算效率。研究结果在合成数据验证和神经影像数据应用中得到了论证。
PDFa year ago
SynthMorph 辅助下的结构感知和无需获取方式的联合配准
本文介绍了一种基于深度学习的快速、稳健、易于使用的工具，用于进行任何脑图像的仿射变换和变形配准，无需预处理，即可完成。我们使用神经影像数据集仔细分析了深度学习方法，发现配准的准确性可以得到保证。同时，我们结合了变形配准和空间标签匹配来实现无
PDFa year ago
使用多尺度图谱构建的分层图卷积网络用于脑障碍诊断和功能连接
本研究提出了一种基于多尺度图谱和深度学习的方法，使用具有生物意义的多尺度图谱计算多尺度功能连接网络，并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取，以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和
PDF2 years ago
FedMed-GAN: 无监督跨模态脑图像合成的联邦域转换
本文提出了一种新的基于联邦学习的无监督脑图像生成方法 FedMed-GAN，通过差分隐私梯度下降算法对联邦平均算法的梯度惩罚进行规范，实现了多机构分散数据的集成。与其他集中式方法相比，FedMed-GAN 表现出新的最先进性能。
PDF2 years ago