Artículos sobre el desarrollo en Brain Research Part1

May 09 2022
Resumen: Las lesiones epileptogénicas tienen concentraciones de sodio más altas que el tejido cerebral normal. Tales lesiones son reconocidas palpablemente por un cirujano y luego extirpadas para eliminar ataques epilépticos con su comportamiento eléctrico anormal asociado.
Foto de Robina Weermeijer en Unsplash
  1. Transporte iónico distintivo de tejido cerebral epileptogénico humano recién extirpado ( arXiv )

Resumen :Las lesiones epileptogénicas tienen concentraciones más altas de sodio que el tejido cerebral normal. Tales lesiones son reconocidas palpablemente por un cirujano y luego extirpadas para eliminar ataques epilépticos con su comportamiento eléctrico anormal asociado. Aquí estudiamos las conductividades eléctricas dependientes de la frecuencia de tejidos cargados de lesiones extirpados de los cerebros de pacientes con epilepsia. La conductividad de baja frecuencia (< 1000 Hz) del tejido biológico sondea principalmente cationes de sodio solvatados extracelulares que viajan paralelos a las membranas dentro de regiones limitadas por bloqueos. Esta conductividad aumenta monótonamente hacia la saturación a medida que la frecuencia supera la velocidad con la que los cationes de sodio solvatados en difusión encuentran bloqueos. Encontramos que la saturación ocurre a frecuencias dramáticamente más altas en el tejido cerebral extirpado que contiene lesiones epileptógenas que en el tejido cerebral normal. Por el contrario, tal efecto no se informa para tumores incrustados en otro tejido biológico extirpado. En total, las lesiones epileptógenas generan conductividades dependientes de la frecuencia que difieren cualitativamente de las de los tejidos cerebrales normales y de los tumores.

2. Creación de cerebros: recombinación de subvolumen para el aumento de datos en la detección de oclusión de vasos grandes ( arXiv )

Autor : Florian Thamm , Oliver Taubmann , Markus Jürgens , Aleksandra Thamm , Felix Denzinger , Leonhard Rist , Hendrik Ditt , Andreas Maier

Resumen :Los accidentes cerebrovasculares isquémicos a menudo son causados ​​​​por oclusiones de vasos grandes (LVO), que se pueden visualizar y diagnosticar con exploraciones de angiografía por tomografía computarizada. Como el tiempo es cerebro, es deseable un diagnóstico rápido, preciso y automatizado de estos escaneos. Los lectores humanos comparan los hemisferios izquierdo y derecho en su evaluación de los accidentes cerebrovasculares. Se requiere un gran conjunto de datos de entrenamiento para que un modelo estándar basado en aprendizaje profundo aprenda esta estrategia a partir de los datos. Dado que los datos médicos etiquetados en este campo son raros, es necesario desarrollar otros enfoques. Tanto para incluir el conocimiento previo de la comparación lateral como para aumentar la cantidad de datos de entrenamiento, proponemos un método de aumento que genera muestras de entrenamiento artificial mediante la recombinación de segmentaciones de árboles de vasos de los hemisferios o subregiones de hemisferios de diferentes pacientes. Las subregiones cubren los vasos comúnmente afectados por LVO, a saber, la arteria carótida interna (ICA) y la arteria cerebral media (MCA). De acuerdo con el esquema de aumento, utilizamos 3D-DenseNet alimentado con información específica de la tarea, fomentando una comparación lado a lado entre los hemisferios. Además, proponemos una extensión de esa arquitectura para procesar las subregiones individuales del hemisferio. Todas las configuraciones predicen la presencia de un LVO, su lado y la subregión afectada. Mostramos el efecto de la recombinación como estrategia de aumento en un estudio de ablación con validación cruzada de 5 veces. Mejoramos el AUC para la clasificación por pacientes con respecto a la presencia de un LVO de todas las arquitecturas investigadas. Para una variante, el método propuesto mejoró el AUC de 0,73 sin aumento a 0,89. La mejor configuración detecta LVO con un AUC de 0,91,

3. Marco de aprendizaje profundo para la segmentación del cerebro fetal en tiempo real en resonancia magnética ( arXiv )

Autor: Razieh Faghihpirayesh , Davood Karimi , Deniz Erdogmus , Ali Gholipour

Resumen :La segmentación del cerebro fetal es un primer paso importante para la corrección del movimiento a nivel de corte y la reconstrucción de corte a volumen en la resonancia magnética fetal. Se requiere una segmentación rápida y precisa del cerebro fetal en la resonancia magnética fetal para lograr una estimación de la posición de la cabeza fetal en tiempo real y un seguimiento del movimiento para la readquisición y dirección de cortes. Para abordar esta necesidad crítica insatisfecha, en este trabajo analizamos el rendimiento de precisión de velocidad de una variedad de modelos de redes neuronales profundas e ideamos una red neuronal convolucional simbólicamente pequeña que combina detalles espaciales en alta resolución con características de contexto extraídas en resoluciones más bajas. Usamos múltiples ramas con conexiones de salto para mantener una alta precisión mientras diseñamos una combinación paralela de operaciones de convolución y agrupación como un módulo de reducción de muestreo de entrada para reducir aún más el tiempo de inferencia. Entrenamos nuestro modelo, así como ocho redes alternativas de última generación con cortes de resonancia magnética del cerebro fetal etiquetados manualmente y probamos en dos conjuntos de casos de prueba normales y desafiantes. Los resultados experimentales muestran que nuestra red logró la precisión más alta y el tiempo de inferencia más bajo entre todos los métodos de segmentación en tiempo real de última generación comparados. Conseguimos puntuaciones medias de Dice del 97,99\% y del 84,04\% en los conjuntos de pruebas normal y exigente, respectivamente, con un tiempo de inferencia de 3,36 milisegundos por imagen en una NVIDIA GeForce RTX 2080 Ti. El código, los datos y los modelos entrenados están disponibles en Los resultados experimentales muestran que nuestra red logró la precisión más alta y el tiempo de inferencia más bajo entre todos los métodos de segmentación en tiempo real de última generación comparados. Conseguimos puntuaciones medias de Dice del 97,99\% y del 84,04\% en los conjuntos de pruebas normal y exigente, respectivamente, con un tiempo de inferencia de 3,36 milisegundos por imagen en una NVIDIA GeForce RTX 2080 Ti. El código, los datos y los modelos entrenados están disponibles en Los resultados experimentales muestran que nuestra red logró la precisión más alta y el tiempo de inferencia más bajo entre todos los métodos de segmentación en tiempo real de última generación comparados. Conseguimos puntuaciones medias de Dice del 97,99\% y del 84,04\% en los conjuntos de pruebas normal y exigente, respectivamente, con un tiempo de inferencia de 3,36 milisegundos por imagen en una NVIDIA GeForce RTX 2080 Ti. El código, los datos y los modelos entrenados están disponibles enhttps://github.com/bchimagine/real_time_fetal_brain_segmentation

4. Evaluación de la certeza de activación o inactivación en estudios de resonancia magnética funcional Test-Retest (arXiv)

Autor: Ranjan Maitra

Resumen :La resonancia magnética funcional (fMRI) se usa ampliamente para estudiar la activación en el cerebro humano. En la mayoría de los casos, los datos se usan comúnmente para construir mapas de activación correspondientes a un paradigma dado. Los resultados pueden ser muy variables, por lo que es importante cuantificar la certeza de la activación e inactivación identificadas a lo largo de los estudios. Este documento proporciona un enfoque basado en modelos para la estimación de la certeza a partir de datos adquiridos en varias réplicas del mismo paradigma experimental. Específicamente, los valores p derivados del análisis estadístico de los datos se modelan explícitamente como una mezcla de sus distribuciones subyacentes; por lo tanto, a diferencia de la metodología actualmente en uso, no se requiere un umbral subjetivo en el proceso de estimación. Los parámetros que rigen el modelo de mezcla se obtienen fácilmente por el principio de máxima verosimilitud. Más lejos, las estimaciones también se pueden usar para identificar de manera óptima regiones de activación específicas de vóxel junto con sus medidas de certeza correspondientes. La metodología se aplica a un estudio que involucra un paradigma motor realizado en un solo sujeto varias veces durante un período de dos meses. Los experimentos de simulación utilizados para calibrar el rendimiento del método son prometedores. La metodología también se muestra robusta en la determinación de áreas de activación y sus correspondientes certezas.

5.Una teoría de la inteligencia natural ( arXiv )

Autor: Christoph von der Malsburg , Thilo Stadelmann , Benjamin F. Grewe

Resumen :Introducción: en contraste con la tecnología de IA actual, la inteligencia natural, el tipo de inteligencia autónoma que se realiza en los cerebros de los animales y los humanos para lograr en su entorno natural objetivos definidos por un repertorio de esquemas de comportamiento innatos, es muy superior en términos de aprendizaje. rapidez, capacidad de generalización, autonomía y creatividad. ¿Cómo son estas fortalezas, por qué medios se producen las ideas y la imaginación en las redes neuronales naturales? Métodos: Revisando la literatura, argumentamos que tanto nuestro entorno natural como el cerebro son de baja complejidad, es decir, requieren para su generación muy poca información y, en consecuencia, ambos están altamente estructurados. Además, argumentamos que las estructuras del cerebro y el entorno natural están estrechamente relacionadas. Resultados: Proponemos que la regularidad estructural del cerebro toma la forma de fragmentos de red (patrones de red autoorganizados) y que estos sirven como el poderoso sesgo inductivo que permite al cerebro aprender rápidamente, generalizar a partir de unos pocos ejemplos y cerrar la brecha entre definidos abstractamente. objetivos generales y situaciones concretas. Conclusiones: Nuestros resultados tienen una relación importante con los problemas abiertos en la investigación de redes neuronales artificiales.

© Copyright 2021 - 2022 | unogogo.com | All Rights Reserved