Tau PET Imaging in the NACC Study Cohort
PulseAugur coverage of Tau PET Imaging in the NACC Study Cohort — every cluster mentioning Tau PET Imaging in the NACC Study Cohort across labs, papers, and developer communities, ranked by signal.
-
新型AI模型从MRI合成Tau-PET图像用于阿尔茨海默病研究
研究人员开发了SFL-Net，一个旨在从多对比度MRI扫描合成Tau-PET图像的新型框架。该方法利用现成的MRI数据，解决了用于阿尔茨海默病分期的Tau-PET成像的规模化挑战。SFL-Net分解潜在表示并保留解剖细节，在各种保真度和重建指标上优于基线模型，同时还提供增强的可审计性。
-
新AI方法协调阿尔茨海默病PET扫描，改善疾病追踪
研究人员开发了一种名为Feynman Kac Reweighted Schrödinger Bridge Matching (FKRSBM)的新方法来协调Tau PET成像数据，这对于追踪阿尔茨海默病进展至关重要。现有方法在源队列和目标队列之间不同的亚组构成方面存在困难，可能将站点效应与生物学变异混淆。FKRSBM学习分布之间的直接随机传输过程，并纳入了亚组感知的终点提议，以确保生物学上一致的传输。应用于神经影像学，它使用球形卷积骨干…
-
新AI模型从MRI合成Tau PET图像用于阿尔茨海默病诊断
研究人员开发了MCR-VQGAN，这是一种新颖的生成对抗网络，旨在从结构性MRI扫描中合成高保真度的Tau正电子发射断层扫描（PET）图像。该方法旨在通过提供一种可扩展且经济高效的替代方案，来克服传统Tau PET成像的局限性，例如辐射暴露和高成本。MCR-VQGAN模型结合了多尺度卷积、ResNet块和注意力模块来增强特征捕获，在定量指标方面表现出色，并保留了阿尔茨海默病分类的诊断相关特征。
-
新AI模型通过多模态数据分析增强阿尔茨海默病诊断
研究人员开发了新的多模态数据分析方法，以改善阿尔茨海默病诊断。一项研究使用 tau-PET、MRI 和认知评分的定量分析来理解生物标志物关系并识别关键的神经退行性轨迹。另一篇论文提出了一种图神经网络方法来分析立方体复制草图，将几何特征与人口统计学和神经心理学数据相结合，以实现更准确和可解释的 AD 分类。第三种方法利用专家混合框架来融合来自神经影像学和人口统计学数据的区域大脑专家，从而提供关于结构和分子成像如何有助于诊断的可解释见解。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。