肝肿瘤热消融穿刺电磁导航系统研究

目的为提高传统肝肿瘤消融治疗手术成功率,降低辐射暴露时间,基于电磁定位装置设计一套肝肿瘤热消融穿刺电磁导航系统。方法根据电磁导航坐标系与三维影像坐标系对应标记点的坐标信息,使用奇异值分解完成肝肿瘤热消融穿刺电磁导航系统的空间配准。利用电磁定位仪等硬件辅助设备,设计肝肿瘤热消融穿刺电磁导航系统,实现肝肿瘤经皮穿刺路径规划以及实时交互式进针。对空间点集的配准和穿刺电磁导航系统的精度进行实验测试。结果依据每次实验中获取体膜的6个标记点在三维影像坐标系与经转换求得三维影像坐标系下的坐标计算得到均方根误差,实验中最大均方根误差不超过1.5 mm,平均目标位置均方根误差为1.262 mm。获取穿刺消融针的空间位置,肝肿瘤热消融穿刺电磁导航系统最大目标位置误差不超过5.00 mm,平均目标位置误差为3.10 mm。结论基于奇异值分解配准算法的肝肿瘤热消融穿刺电磁导航系统实现了CT数据的读取和可视化、穿刺路径规划以及基于电磁定位实时反馈消融针的空间位姿,能够有效辅助医生进行手术操作。

脑年龄估计差作为脑老化生物标志物的研究进展

随着全球人口老龄化的快速增长,神经退行性疾病的发病率越来越高,给整个社会带来了越来越大的负担.然而,衰老是一个由遗传和环境因素决定的多因素过程.基于神经影像开发有效的生物标志物对与年龄相关的神经退行性疾病的风险评估和预测至关重要.脑年龄估计差是目前应用最广泛的基于磁共振成像(magnetic resonance images,MRI)的脑健康状态评估方法.首先,介绍基于MRI的脑老化研究和基于神经影像的脑年龄估计模型的研究进展.然后,从遗传学、大脑发育、神经退行性疾病、精神疾病、慢性疾病、认知储备等多方面进行总结并讨论BrainAGE在大脑老化方面的应用成果.最后,提出该领域存在的问题以及未来的研究方向.

基于图卷积网络的大脑年龄预测方法研究

目的:为了客观评估大脑的健康状态,提出一种基于图卷积网络(graph convolution network,GCN)的大脑年龄预测方法。方法:首先,基于英国生物银行(UK Biobank,UKB)的10000例脑健康中老年人的T1加权MRI影像学衍生表型(imaging-derived phenotypes,IDPs)数据,采用多层感知机网络提取年龄相关的结构特征构建群体图;其次,提出基于边重要性的节点邻居采样,并使用基于图的特征注意力机制加强邻域信息的特征聚合,建立一个以GCN为核心的大脑年龄预测模型;最后,与基线模型(GCN模型)、基线模型+随机采样、基线模型+NodeSAGE比较以评估该模型的预测性能。另外,根据预测的大脑年龄获取大脑年龄估计差,探究大脑老化与身体健康状况、生活习惯以及认知间的相关性。结果:提出的模型预测脑年龄的平均绝对误差为3.97 a,预测年龄与生理年龄间的Pearson相关系数为0.748,均优于基线模型、基线模型+随机采样、基线模型+NodeSAGE;大脑老化与身体健康状况指标显著相关,与吸烟史和频繁喝酒显著相关,与执行功能、非语言推理和处理速度显著相关。结论:提出的基于GCN的大脑年龄预测方法在大规模数据集上通用性和鲁棒性较好,能够较好地预测大脑年龄。

基于海马MRI数据的三维DenseNet和通道注意力模块相结合的阿尔茨海默病分类模型研究

目的:为了提高阿尔茨海默病(Alzheimer’s disease,AD)分类的准确率,构建一种基于海马MRI数据的DenseNet和通道注意力模块(channel attention module,CAM)相结合的AD分类模型。方法:首先,通过结构磁共振图像提取海马感兴趣区。其次,通过优化网络结构将三维DenseNet与CAM相结合构建基于海马感兴趣区的AD分类模型(三维CAM-DenseNet模型)。最后,为验证该模型的分类性能,将该模型与多个三维DenseNet模型进行比较,并验证加入纵向数据后对模型分类性能的影响;为评估模型的泛化性,将该模型在3个独立测试集上进行检验。结果:三维CAM-DenseNet模型在区分AD患者与认知正常受试者的分类任务中平均准确率为95.2%、敏感度为91.9%、特异度为97.8%、AUC值为94.9%,优于其他三维DenseNet模型;在轻度认知障碍相关分类任务中,加入纵向数据可以提升模型的分类性能;训练好的模型在3个独立测试集中均表现出良好的泛化性能。结论:构建的三维CAM-DenseNet模型分类准确率高、泛化性好,适用于AD分类研究。

脑老化过程中认知储备的神经影像学研究回顾

以往关于认知储备(cognitive reserve,CR)研究的综述分析,主要集中于阿尔茨海默病、帕金森病等神经退行性疾病,对正常衰老过程中CR的作用少有涉及.为了探究正常老化中CR的作用,从不同的CR构建方法出发,综述了CR与大脑老化相关的影像学研究.首先,回顾了静态的CR指标与大脑老化的关系.然后,介绍了残差法这一动态的CR构建方法及其应用.最后,总结和讨论了脑老化过程中CR的神经影像学研究结果,并为该领域的未来研究提供有益的建议.

基于卷积神经网络的脑年龄预测模型研究综述

介绍了基于卷积神经网络(convolutional neural network,CNN)的脑年龄预测模型在二维切片、三维图像块和三维全脑图像3个方面的一些典型研究成果。分析了脑年龄预测在数据集和模型方面存在的不足,并提出了未来的发展方向。指出了基于CNN的脑年龄预测模型有望应用于神经退行性疾病的个性化诊断和治疗,具有很大的临床应用价值。

成功认知老化的研究综述

人口老龄化的快速发展使得成功认知老化在基础科学和公共卫生的研究工作中越来越受关注。本文对成功认知老化的相关研究进行了综述,首先概述了成功认知老化的定义与划分,然后讨论了影响成功认知老化的决定因素,随后介绍了成功脑老化并结合相关模型解释了它们之间的关系,最后对成功认知老化这一研究领域进行了回顾与展望。

基于三维卷积神经网络的结构磁共振影像分析在AD分类中的研究进展

随着医疗大数据和人工智能技术的快速发展,基于结构磁共振影像采用卷积神经网络(convolutional neural networks,CNN)对阿尔茨海默症(Alzheimer's disease,AD)进行研究已逐渐成为神经科学的研究热点之一.为了进一步推动三维CNN应用于神经影像研究,综述了基于三维CNN的结构磁共振影像分析在AD分类中的研究进展.首先,回顾了机器学习技术应用于AD分类的发展变化;其次,从方法角度介绍了三维CNN架构变化及其应用于AD分类的研究进展;最后,讨论了将三维CNN应用于AD研究领域所存在的挑战和未来的发展方向,期望该技术能够更准确和有效地为AD早期诊断提供帮助.

CNNs集成学习的超声甲状腺结节诊断

甲状腺结节是临床上常见的疾病,发病率逐年增高。诊断和治疗甲状腺结节的首要问题是要识别其良恶性。超声已成为甲状腺疾病诊断的首选方法,但分析需要专家知识,且比较费时。近年来,多个基于深度学习的甲状腺分类系统被提出并用于计算机辅助诊断,但是训练过程一般都需要大量的超声图像数据。本研究中数据集共674个甲状腺结节,包含恶性结节240个,良性结节434个。为了在较小数据集上也可获得满意的性能,我们采用预训练的经典AlexNet、VGG16与ResNet50,基于迁移学习来调整参数,采用多模型、多切片集成学习方法。结节分类的准确率、精度和召回率分别为86.7%、79.2%和84.7%。实验结果表明,该算法在数据量较小的情况下也可以取得较好性能。

基于脑网络的图卷积神经网络在脑疾病中的研究进展

介绍了脑结构和功能连接网络的构建和应用,阐述了频域和空间域图卷积神经网络(graph convolutional neural networks,GCN)的基本原理和模型,综述了频域和空间域GCN在脑疾病中的应用研究进展,指出了影像模态与网络构建差异、影像与非影像特征对GCN研究的影响,展望了未来GCN在脑网络研究中的发展趋势。

基于功能磁共振成像的认知储备在脑老化过程中的研究综述

阐述了认知储备(cognitive reserve,CR)在功能磁共振成像(functional magnetic resonance imaging,fMRI)领域的相关研究,介绍了基于fMRI的脑功能连接分析方法,从脑衰老过程中的正常与病理老化2个方面分析了CR在脑老化过程中的相关神经机制,指出了对CR进行纵向神经影像学研究或设计合适的认知老化模型,明确CR及其神经相关因素之间的因果关系,阐明从正常老化到病理老化的发展过程中神经储备机制和神经补偿机制是如何演变的是未来的研究趋势。

基于多模态影像特征的AD诊断研究

目的:探究多模态融合特征对阿尔茨海默病(Alzheimer’s disease,AD)病程诊断性能的影响。方法:以阿尔茨海默病神经影像学计划数据库中81例受试者的多模态影像数据为研究对象,在卷积神经网络提取的T_(1)加权成像(T_(1) weight image,T_(1)WI)特征基础上,利用图卷积神经网络(graph convolutional neural networks,GCN)提取弥散张量成像(diffusion tensor imaging,DTI)脑白质网络特征,然后采用类别提升集成算法融合多模态特征进行AD诊断预测。结果:在DTI脑白质网络特征学习中,GCN模型的诊断准确率为80.0%,优于传统机器学习模型;在单、多模态的AD诊断性能比较中,基于多模态特征的诊断准确率为85.3%,优于T_(1)WI单模态特征。结论:各模态特征间存在一定互补性,GCN可以提取DTI影像中更具表征性的脑连接网络特征,与T_(1)WI特征融合可进一步提高AD的诊断性能。

基于WGCNA和SVM-RFE算法挖掘肺腺癌诊断和预后基因标志物

目的肺癌是世界上最常见的癌症之一,在众多肺癌患者中,肺腺癌(lung adenocarcinoma,LUAD)的死亡率最高。基因表达谱的变化与肿瘤的发生和发展过程有关,通过识别与LUAD患者相关的诊断和预后基因标志物,可以为肺腺癌的预防和治疗提供理论依据。方法本研究以肿瘤基因组图谱(The Cancer Gene Atlas,TCGA)数据库为基础,采用加权基因共表达网络分析(weighted gene co-expression network analysis,WGCNA)、差异基因分析、cox回归分析、蛋白质互作网络(protein-protein interaction,PPI)分析等方法筛选与LUAD形成过程高度相关的hub基因。将TCGA和基因型组织表达(GTEx genotype tissue expression,GTEx)数据库中的RNA数据合并划分为训练集和内部验证集,利用基于支持向量机的递归特征消除算法(support vector machine recursive feature elimination feature,SVM-RFE)构建诊断模型并进行验证。GSE32863和GSE31210数据集分别用于验证诊断模型的准确性和基因标志物的预后价值。结果SVM-RFE算法得到的5个基因标志物(anln、cenpa、plk1、tpx2、cdca3)模型在LUAD患者分类中具有显著的诊断能力。功能富集分析表明,这5个基因与肿瘤发生发展的生物学过程密切相关。此外,这5个基因高表达的LUAD患者的预后表现不良,死亡率显著高于低表达的患者。结论我们的研究为LUAD的诊断和预后提供了具有5个基因特征的模型,这对于开发用于精确治疗的新靶点具有重要意义。

脑群体图中图卷积神经网络应用研究综述

脑群体图基于受试者的神经影像、非成像信息构建,可从全局研究角度出发探究脑疾病间的潜在关联性和发病机理。图卷积神经网络(graph convolutional neural networks,GCN)可较好处理不规则图数据,近年来在脑群体图研究中得到较多应用,用于分类、预测脑疾病。本文首先分别从频域和空间域介绍GCN算法的基本原理和典型模型;其次具体阐述群体图的构建流程,分别从单一、多群体图两个角度介绍GCN在该领域的应用;最后,讨论了GCN在脑群体图分析方面存在的问题,并对未来发展方向进行展望。

英国生物银行在神经影像领域应用的研究综述

英国生物银行(UKB)是一项前瞻性流行病学研究计划,招募了逾50万名年龄在40~69岁之间的参与者。其影像扩展项目共邀请了10万名UKB参与者进行多模态大脑磁共振成像扫描。这些海量的多模态成像与大量的表型、遗传数据结合,为脑健康相关研究领域提供了很好的资源。本文就UKB在神经影像领域的研究进展展开综述。首先概括了UKB中神经影像的数据采集和影像学衍生表型,随后从心血管疾病风险因素、调节性因素、脑年龄预测、常态、成功和病态脑老化、环境与遗传因素、认知能力及性别等多个应用层面,分别介绍了UKB中的一些典型研究,并对研究中存在的问题和未来发展方向进行了探讨,以期为神经系统疾病的预防和治疗开辟新的研究领域。