Alzheimer's Disease Neuroimaging Initiative
PulseAugur coverage of Alzheimer's Disease Neuroimaging Initiative — every cluster mentioning Alzheimer's Disease Neuroimaging Initiative across labs, papers, and developer communities, ranked by signal.
- used by magnetic resonance imaging 70%
- used by Oasis 70%
- used by Oasis 3 70%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- used by ScienceCast 70%
- used by functional magnetic resonance imaging 70%
- instance of Oasis 70%
- used by Tau PET Imaging in the NACC Study Cohort 60%
- instance of Académie des Inscriptions et Belles-Lettres 50%
- affiliated with functional magnetic resonance imaging 50%
7 天有情绪数据
-
新的贝叶斯学习框架追踪阿尔茨海默病进展
研究人员开发了一个名为疾病连续谱定位（DCP）的新框架，该框架使用纵向贝叶斯学习从弥散张量成像（DTI）数据中估算阿尔茨海默病的连续进展。该方法推导出疾病连续谱得分（DCS）来量化个体在疾病谱上的位置，包括不确定性。在阿尔茨海默病神经影像倡议（ADNI）队列上的实验表明，DCP在准确性和临床相关性方面优于现有方法，能有效表征疾病严重程度并预测未来转化。
-
BrainLinear框架提供高效、可解释的脑网络分析
研究人员开发了BrainLinear，一个旨在更高效、更可解释地分析脑网络的新框架。这种几何感知方法将功能连接矩阵映射到共享切线空间，通过对ROI对切线方向进行评分来识别疾病区分模式。在自闭症谱系障碍和阿尔茨海默病数据集上的实验表明，BrainLinear在显著降低计算成本和内存使用量的同时，其性能与复杂的GNN和Transformer模型相当或更优。
-
新框架利用纵向MRI扫描增强阿尔茨海默病诊断
研究人员开发了Parcel2Progression (P2P)，一个新颖的纵向框架，旨在利用结构MRI扫描改进阿尔茨海默病诊断。P2P通过采用一个引导图谱的区域编码器来表示3D扫描，以及一个整合不规则、长期患者数据的纵向Transformer来解决计算限制。该方法提供区域特定的可解释性，并能有效地随着扫描数量进行扩展，在预测轻度认知障碍向阿尔茨海默病转化以及区分阿尔茨海默病与认知正常个体方面优于现有方法。该框架还展示了在异常检测和泛化…
-
AI 超分辨率消除而非幻觉化小的脑部病变
一项新的研究论文调查了超分辨率（SR）技术对脑部扫描中小白质高信号（WMH）检测的影响。研究发现，SR 方法虽然总体上比原始的厚切片提高了病变检测能力，但主要导致小的真实病变被消除，而不是幻觉化不存在的病变。消除效应在较厚的切片上更为明显，而一种特定方法 ECLARE 在恢复小病变信号方面表现最佳。
-
新框架审计和修复阿尔茨海默病预测模型中的公平性差距
研究人员开发了一个新框架，用于审计和修复阿尔茨海默病预测模型中的公平性问题。标准的保形预测方法虽然能保证整体覆盖率，但可能掩盖特定患者亚组中显著的覆盖不足。本研究发现，高风险患者，特别是那些有遗传易感性或严重疾病的患者，经历了严重的覆盖不足。所提出的框架使用交叉保形池化和亚组特定校准来恢复这些弱势群体的目标覆盖率。
-
ProgFormer: Hierarchical Voxel Diffusion Transformer for Brain MRI Prediction
研究人员开发了ProgFormer，一种新颖的层次化体素空间扩散Transformer，用于预测未来的脑部MRI扫描。该模型通过采用双路径方法来应对细微的纵向变化挑战：粗略路径模拟整体大脑结构和纵向上下文，而精细路径则优化体素级细节。ProgFormer直接在体素空间中运行，避免了潜在空间压缩造成的信息丢失，并通过条件流匹配实现端到端预测。在ADNI、AIBL和OASIS基准上的实验表明，与现有最先进方法相比，其性能更优。
-
基于注意力的深度学习框架在阿尔茨海默病检测中准确率达88.95%
研究人员开发了一种新颖的、基于注意力机制的深度学习框架，用于使用静息态功能磁共振成像（rs-fMRI）对阿尔茨海默病（AD）进行分类。该方法将大脑区域视为标记（tokens），并采用受Transformer启发的自注意力机制来模拟大脑网络内复杂的函数依赖关系。在阿尔茨海默病神经影像学倡议（ADNI）数据集上进行评估时，该框架在AD患者与认知正常个体之间的二元分类中达到了88.95%的准确率和0.90的ROC-AUC。
-
arXiv论文详述了用于图像形状分析的新统计框架
两篇新的arXiv论文介绍了用于分析图像中形状的先进统计框架，特别侧重于医学应用。第一篇论文《多元平面曲线：用于图像形状分析的统计框架》提出了一种联合建模图像中多个对象轮廓的方法，保留了对诊断至关重要的组分间信息。该方法在胸部X光片心脏肥大检测中提高了分类准确性。第二篇论文《用于具有多模态协变量的平面曲线的深度形状回归》提出了一种用于分析开放平面曲线的深度学习模型，能够处理多模态和高维协变量，并应用于阿尔茨海默病神经影像计划队列的海马轮廓。
-
拓扑数据分析预测阿尔茨海默病转化风险
研究人员开发了一种使用持久性同调来预测从轻度认知障碍（MCI）转化为阿尔茨海默病（AD）风险的新方法。该方法将临床轨迹分析为点云，并结合了用于个体级别不确定性估计的拆分共形保证。该研究纠正了潜在的数据泄露，发现拓扑数据分析特征，特别是 H0 持久性熵，显著提高了预测准确性，并与 APOE4 剂量相关。
-
新的PUe框架通过有偏数据集增强学习 · 跟踪2个来源
研究人员开发了一个名为PUe的新框架，通过解决现实世界数据集中选择偏差来增强正例-无标签（PU）学习。该框架建立在Bekker等人先前的工作基础上，引入了归一化的逆概率加权PU风险公式，并与现代成本敏感方法集成。在MNIST、CIFAR-10和ADNI等数据集上的实验表明，在标签分布不均时，PUe的表现优于现有的PU基线。
-
新型图神经网络模型利用MRI数据辅助阿尔茨海默病诊断
研究人员开发了一种新颖的多视图掩码图神经网络（MVMGNN），用于利用结构磁共振成像（sMRI）诊断阿尔茨海默病。该模型通过采用联合节点-边掩码机制来选择相关的影像组学特征和结构连接，从而减少图学习中的冗余，解决了现有方法的局限性。此外，还利用了跨视图门控融合机制来整合多视图表示。在阿尔茨海默病神经影像倡议（ADNI）数据集上进行的实验表明，MVMGNN在AD分类方面取得了优于几种现有方法。可解释性分析突显了其识别与该疾病相关的关键脑区能力。
-
新型NITROGEN Transformer模型增强阿尔茨海默病预测能力
研究人员开发了NITROGEN，一种新颖的、无需插补的Transformer模型，旨在从异构临床数据中改进阿尔茨海默病的预测。该模型通过联合建模患者内部特征依赖关系和患者之间关系，解决了传统插补方法的局限性。在包括ADNI、OASIS-3和AIBL在内的大型数据集上进行评估，NITROGEN展示了稳健的校准和不确定性量化能力，在保持竞争性准确度的同时，性能优于基于树的集成方法。研究还强调了在临床部署中评估模型在校准、可解释性和跨队列可…
-
新的AT-Attn框架通过多模态数据改进阿尔茨海默病诊断
研究人员开发了一个名为AT-Attn的新框架，用于改进阿尔茨海默病的诊断。这种时间感知多模态方法能够有效地整合结构性MRI数据和纵向临床信息，即使在MRI数据不一致或不可用时也能发挥作用。AT-Attn模型在一个包含1,520名患者的队列中表现出色，准确率达到0.719，ROC-AUC达到0.873，优于简单的融合方法。
-
机器学习模型预测阿尔茨海默病早期阶段
研究人员开发了一种机器学习模型，利用阿尔茨海默病神经影像学计划 (ADNI) 数据集中的临床数据、神经心理学评分和神经影像学测量来预测阿尔茨海默病早期阶段。为解决缺失值和类别不平衡等挑战，该研究采用了迭代插补和 Borderline SVM-SMOTE，然后进行特征选择。训练了一个结合逻辑回归、Extra Trees、Bagging KNN 和 LightGBM 的堆叠集成模型，同时训练了一个人工神经网络，并使用精确率、召回率、F1 …
-
新AI框架BrainPICM增强脑网络分析
研究人员开发了BrainPICM，一个新颖的用于脑网络分析的自监督学习框架。该方法通过考虑大脑网络结构的个体差异来解决现有方法的局限性。BrainPICM采用渐进式、个体化的掩码策略，逐步将潜在的病理区域纳入训练，从而学习稳定的模块化结构和个体变异。该框架还包括一个偏差感知聚合模块，用于量化功能重组，提高可解释性和下游预测准确性。在fMRI数据集上的实验表明，BrainPICM在诊断准确性方面优于当前最先进的方法。
-
新框架MediEncoder推动非线性因果中介分析
研究人员开发了MediEncoder，一个用于高维生物医学数据中非线性因果中介分析的新框架。该方法使用耦合的编码器-解码器架构联合学习协变量和中介物的表征，从而更准确地估计直接和间接治疗效果。MediEncoder通过不依赖于严格的稀疏性或线性假设，改进了现有方法，并在模拟和阿尔茨海默病数据的实际应用中显示出更高的准确性。
-
新的ENC-ODE模型使用神经ODE预测神经退行性疾病进展
研究人员开发了ENC-ODE，一种使用神经常微分方程预测神经退行性疾病进展的新方法。该方法对临床事件及其连续动态进行建模，以预测生物标志物的演变，解决了稀疏和不规则纵向数据的局限性。在阿尔茨海默病神经影像学计划数据集上的实验表明，ENC-ODE优于现有的序列模型，为临床支持提供了一个可扩展且有科学依据的工具。
-
新DAIN模型通过动态代理协作推进多模态推理
研究人员开发了DAIN，一个动态代理交互网络，用于高效协作的多模态推理。与静态的混合专家模型不同，DAIN使用元控制器动态激活专业代理并管理它们的通信。这种方法优化了任务准确性、代理专业化和操作效率。DAIN在五个基准测试中取得了最先进的性能，包括在ADNI上提高了2.6%的准确率，同时还提供了增强的可解释性。
-
AI 模型在通过 MRI 扫描诊断神经退行性疾病方面展现出潜力
研究人员开发了先进的深度学习框架，以提高使用 MRI 扫描诊断神经退行性疾病的准确性。一种名为 NeuroBridge 的方法采用多任务学习框架，将自监督预训练与特定的诊断目标相结合，在识别不同患者群体的阿尔茨海默病和轻度认知障碍等疾病方面取得了高精度。另一种模型 End-Net 采用深度多尺度神经网络，旨在捕捉细微的解剖学差异，用于神经系统疾病的多类别分类，表现出卓越的性能和泛化能力。这两种方法都旨在提高诊断的准确性和可及性，其中 …
-
新AI模型利用fMRI数据改进阿尔茨海默病预测
研究人员开发了一种新颖的SDE驱动的时空超图神经网络（SDE-HGNN），以改进使用纵向fMRI数据对阿尔茨海默病进展的建模。该框架通过重建连续的潜在轨迹和构建动态超图来捕捉复杂的时间交互作用，解决了不规则数据采样和缺失访视带来的挑战。该模型还通过基于稀疏性的学习机制识别重要的脑区和连接模式。在OASIS-3和ADNI队列上的实验表明，SDE-HGNN在预测AD进展方面优于现有的图和超图方法。