相关实验视频
Updated: Jul 25, 2025
05:33
Three-Dimensional Shape Modeling and Analysis of Brain Structures
Published on: November 14, 2019
7.1K
诺哈:基于一类新奇性检测和3D形状特征的正常海马不对称性偏差指数
Duilio Deangeli1,2, Francisco Iarussi3, Hernán Külsgaard3,4
1Yatiris, PLADEMA, UNICEN, Tandil, Buenos Aires, Argentina. ddeangeli@pladema.exa.unicen.edu.ar.
Brain topography
|June 29, 2023
概括
一个新的指数,NORHA,从MRI扫描中客观地量化海马的不对称性. 这种机器学习方法有助于检测神经退行性疾病,如和痴呆症,通过识别正常海马体形状的偏差.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 生物标志物发现发现
背景情况:
- 河马不对称性分析对于诊断神经退行性疾病至关重要.
- 目前评估不对称性的方法是主观的或范围有限的.
- 需要客观,敏感的工具来量化微妙的形状差异.
研究的目的:
- 介绍NORHA,这是一个用于客观量化正常海马体不对称性的新型索引.
- 为了利用机器学习的新奇性检测来进行公正的不对称性测量.
- 为了验证NORHA作为神经退行性疾病的生物标志物.
主要方法:
- 使用一类支向量机模型开发了NORHA.
- 训练模型对健康受试者的形态特征进行训练.
- 将NORHA应用于健康对照组和痴呆症/患者的MRI数据集.
主要成果:
- NORHA显示单边缩的高值和对照或对称变化的低值.
- 该指数有效地歧视患有海马硬化症的个体.
- 在NORHA和CDR-SB认知测试之间发现了正相关性.
结论:
- 通过机器学习,NORHA提供了 hippocampal 异对称性的客观测量.
- 它显示出作为单边神经退行变化的敏感生物标志物具有前途.
- NORHA可能有助于早期发现和表征痴呆和等疾病.
更多相关视频
07:34Perceptual and Category Processing of the Uncanny Valley Hypothesis' Dimension of Human Likeness: Some Methodological Issues
Published on: June 3, 2013
17.4K
11:03High-resolution In Vivo Manual Segmentation Protocol for Human Hippocampal Subfields Using 3T Magnetic Resonance Imaging
Published on: November 10, 2015
9.4K
