学术背景 帕金森病（Parkinson’s Disease, PD）是第二常见的慢性神经退行性疾病，主要影响65岁及以上人群。随着全球人口老龄化的加剧，帕金森病的患病率预计将从2015年的700万增加到2040年的1300万。目前，帕金森病的诊断主要依赖于临床问卷和运动日记，这些方法耗时且存在较大的主观偏差。近年来，随着可穿戴技术和机器学习方法的结合，研究人员开始探索通过量化运动症状来辅助帕金森病的诊断。然而，这些技术的有效性受到环境设置的影响，难以在现实世界中广泛应用。因此，本研究旨在提出一种有效的特征评估框架，通过短期运动任务自动评估帕金森病运动症状的严重程度，并在现实世界中进行分类。 论文来源 该研究由来自University of Sheffield和Yunnan Universit...

基于光谱扩散后验采样的多材料分解研究 背景介绍 在医学成像领域，CT（计算机断层扫描）技术被广泛应用于疾病诊断和治疗规划。近年来，谱CT（spectral CT）因其能够提供能量依赖的衰减信息，成为研究热点。谱CT通过多能量通道的投影数据，可以重建出不同材料的密度分布，这一过程称为材料分解（material decomposition）。然而，材料分解是一个高度非线性的逆问题，传统的分解方法如解析分解（analytical decomposition）和迭代模型分解（iterative/model-based decomposition）存在诸多局限性，如计算效率低、噪声大、模型依赖性强等。此外，尽管基于深度学习的分解方法在精度和速度上有显著提升，但它们往往缺乏对物理模型的显式利用，导致鲁棒...

基于自校准机制的深度重建框架（DEISM）在加速化学交换饱和转移成像中的应用 学术背景 化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）成像是一种高灵敏度的分子磁共振成像技术，能够检测与多种疾病（如癌症、癫痫和卒中）相关的生物分子。然而，CEST成像的一个主要缺点是扫描时间过长，这是由于需要在不同的饱和频率偏移下进行多次数据采集。长时间的扫描限制了CEST成像在临床中的广泛应用。为了解决这一问题，研究者们致力于开发加速CEST成像的技术，主要通过利用数据中的冗余信息，从欠采样的k空间数据中重建图像。 尽管现有的并行成像和压缩感知（Compressed Sensing, CS）技术在一定程度上加速了CEST成像，但这些方法仍存在局限性。...

儿童重症监护病房中心率与体温关系的机器学习研究 学术背景 在重症监护病房（PICU）中，心率（HR）和体温（BT）是关键的临床指标，能够反映患者的生理状态。尽管成年人中心率与体温的关系已被广泛研究，但在儿童群体中，特别是在PICU这一高风险环境中，相关研究仍然有限。儿童患者的生理特征与成年人存在显著差异，尤其是在0至18岁年龄段，心率随着年龄的增长而下降，而体温的变化则可能影响心率。然而，传统的线性模型在预测心率时往往存在局限性，尤其是在不同体温范围和年龄组中表现出低估或高估的现象。因此，探索心率、体温和年龄之间的复杂关系，对于改善PICU中的临床决策具有重要意义。 论文来源 本论文由Émilie Lu、Thanh-Dung Le、Philippe Jouvet和Rita Noumeir共同...

基于自监督学习的神经内窥镜实时3D重建与导航研究 学术背景 神经内窥镜手术（neuroendoscopy）作为一种微创手术技术，广泛应用于脑深部病变的治疗，如内镜下第三脑室造瘘术（endoscopic third ventriculostomy, ETV）、脉络丛烧灼术、囊肿开窗术等。然而，手术过程中由于脑组织移位（brain shift）和脑脊液（cerebrospinal fluid, CSF）流失，脑深部结构会发生几何形变，这给传统的基于术前影像的神经导航（neuronavigation）带来了挑战。传统导航系统通常依赖于术前磁共振（MRI）或计算机断层扫描（CT）影像的刚性配准（rigid registration），无法实时更新术中组织形变，导致导航精度下降。 为了解决这一问题，研...

多分辨率信号小波网络在语音情感识别中的应用：SigWavNet 学术背景 语音情感识别（Speech Emotion Recognition, SER）在人机交互和心理学评估中扮演着重要角色。它通过分析语音信号来识别说话者的情感状态，广泛应用于紧急呼叫中心、健康护理和虚拟AI助手等领域。然而，尽管该领域取得了显著进展，系统复杂性、特征区分度不足以及噪声干扰等问题仍然存在。为了解决这些挑战，来自University of Québec、Concordia University和University of Québec at Montréal的研究团队提出了一种新的端到端深度学习框架——SigWavNet，直接从语音波形信号中提取有意义的特征，并通过多分辨率分析提升情感识别的准确性。 论文来源 ...