低级别胶质瘤患者总体生存预测的有用特征研究 学术背景 胶质瘤是一种脑内的肿瘤性生长，通常会对患者的生命构成严重威胁。在大多数情况下，胶质瘤最终会导致病人的死亡。胶质瘤的分析通常涉及在显微镜下观察脑组织形式的病理切片。尽管脑组织病理图像在预测病人总体生存率（OS，Overall Survival）方面具有很大的潜力，但由于脑组织病理的独特性，这些图像很少作为唯一的预测因素使用。利用病理图像预测早期胶质瘤患者的总体生存率对治疗和生活质量具有重要价值。在这项研究中，作者们探讨了使用深度学习模型结合简单描述数据（如年龄和胶质瘤亚型），来预测低级别胶质瘤（LGG，low-grade glioma）患者的总体生存率（OS）的可能性。 研究来源 这篇论文由Elisa Warner、Xuelu Li、Gan...

改进通过多任务学习对儿童低级别胶质瘤的分割 背景介绍 儿童脑肿瘤分割是肿瘤容积分析和人工智能算法中的关键任务。然而，这一过程耗时且需要神经放射学专家的专业知识。虽然已有大量研究集中于优化成人脑肿瘤分割，但关于人工智能引导的儿童肿瘤分割研究却凤毛麟角。此外，儿童和成人脑肿瘤的MRI信号特征不同，需要专门为儿童脑肿瘤设计分割算法。因此，本文提出将脑肿瘤的基因变化分类器作为辅助任务添加到主要网络中，通过多任务学习（Deep Multitask Learning, DMTL) 提高分割结果的准确性。 论文来源 这项研究由以下研究人员开展：Partoo Vafaeikia, Matthias W. Wagner, Cynthia Hawkins, Uri Tabori, Birgit B. Ertl-...

在全球范围内，恶性脑肿瘤中最常见和最致命的是胶质母细胞瘤（Glioblastoma, GBM）。近年来，不断有研究尝试通过机器学习技术，基于术前的单模态或多模态成像表型来预测GBM患者的总生存时间（Overall Survival, OS）。尽管这些机器学习方法在预测上取得了一定的进展，但多数研究并未考虑基于影像学的OS预测方法中包含的肿瘤基因型信息，而这些信息对预后有很强的指示作用。为解决这般问题，Tang Zhenyu、Xu Yuyun、Jin Lei 等人于2020年6月在《IEEE Transactions on Medical Imaging》上发表了题为“Deep Learning of Imaging Phenotype and Genotype for Predicting ...

深度学习模型揭示语义饱和机制 语义饱和（semantic satiation），即一个词或短语在被重复很多次后失去意义这一现象，是一种众所周知的心理学现象。然而，导致这一机制的微观神经计算原理仍然未知。本文使用连续耦合神经网络（continuous coupled neural network, CCNN）建立深度学习模型，研究语义饱和的机制，并用神经元成分精确描述这一过程。研究结果表明，从介观角度来看，语义饱和可能是一个自下而上的过程，与现有的宏观心理学研究认为语义饱和是一个自上而下的过程不同，本文的模拟采用与经典心理学实验类似的实验范式，观察到相似的结果。语义目标的饱和类似于本文网络模型用于物体识别的学习过程，依赖于对象的连续学习和切换，神经耦合的增强或削弱影响饱和。综上，神经和网络机制...

基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接 研究背景与动机 脑-机接口（BCI）是直接解码并输出脑活动信息的系统，无需依赖相关的神经通路和肌肉，从而实现外部设备的通信或控制。在BCI系统中，常用的信号包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。其中，EEG是最常用的信号，因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。 运动想象（Motor Imagery, MI）是BCI中的一个重要范式，在无刺激条件下，运动想象任务期间会自发地产生运动想象EEG信号（MI-EEG）。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示，因此解码MI-EEG信号已成为热门研究课题，以通过BCI系统实现对外部设备的精神控制。 现有的MI-EE...