Oasis 1
PulseAugur coverage of Oasis 1 — every cluster mentioning Oasis 1 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的黎曼框架分析大脑衰老和阿尔茨海默病对胼胝体的影响
研究人员开发了一种新颖的黎曼形状空间框架，用于分析胼胝体（大脑中关键的白质结构）中与年龄相关的形态变化。该方法应用于OASIS-1队列，在Kendall形状空间中表示CC轮廓，消除了平移、旋转和缩放变化。分析显示，在认知正常的个体中，膝部和前体区域是与年龄相关的形状变化的重要组成部分。相比之下，阿尔茨海默病似乎扰乱了这种典型的衰老轨迹，其形状变化方差的解释率不到0.5%。
-
新的Med-D-JEPA模型推动3D脑部MRI合成与分类
研究人员已将主要用于自监督表示学习的框架联合嵌入预测架构（JEPAs）应用于3D脑部MRI合成。提出的Med-D-JEPA模型结合了掩码上下文预测、表示对齐和扩散技术，以生成逼真的医学图像。在BraTS2019和OASIS-1数据集上的评估表明，与现有方法相比，Med-D-JEPA在图像保真度和多样性方面取得了具有竞争力或更优的性能。此外，使用Med-D-JEPA进行的合成预训练显著提高了下游分类和分割任务的性能。
-
3D CNN利用MRI扫描准确分类阿尔茨海默病 · arXiv研究
研究人员开发了一种多模态3D卷积神经网络（CNN），用于利用结构性MRI数据对阿尔茨海默病（AD）进行分类。该模型整合了T1结构信息以及从FSL FAST分割派生的灰质、白质和脑脊液概率图。在OASIS 1队列上进行5折主题级交叉验证评估，该框架实现了72.34%的平均准确率和0.7781的ROC AUC。GradCAM可视化证实了该模型关注解剖学上相关的区域，如内侧颞叶和脑室区域，这些区域是AD相关结构变化的已知指标。
-
AI基准测试评估用于阿尔茨海默病检测的脑分割
研究人员开发了一个系统性基准测试，用于评估用于阿尔茨海默病检测的快速深度学习脑分割方法。该研究将分割与分类解耦，将SynthSeg+和OpenMAP-T1等方法与FreeSurfer (FS-HV)基线进行比较。其因子设计评估了不同的分割技术、容积测量策略和分类器范式，包括具有零样本/少样本提示的基础模型，并使用BCa Bootstrap置信区间量化结果。