-
童年期功能性脑网络组织的基准评估及其与成人的相似性
本研究旨在解决儿童大规模功能性脑网络组织特征及其与成人架构的相似性这一未明问题。研究人员利用ABCD Study中7,316名9-10岁儿童和HCP项目中1,000名成人的静息态fMRI数据,通过发现-重复设计,在皮层、基底节、丘脑和小脑中绘制了功能网络。结果表明,儿童的功能连接和网络地形在群体水平上高度可重复,且童年晚期的网络全局框架已接近成人架构,但高阶关联系统仍在持续精细化。该研究为跨年龄功能网络映射建立了一个可重复的基准,为青春期的纵向成熟分析奠定了基础。
来源:Frontiers in Neuroimaging
时间:2026-04-28
-
无钆对比剂(GBCA-free)MRI与钆对比剂增强(GBCA-enhanced)MRI在颅内肿瘤筛查中的诊断性能比较:一项回顾性队列研究
针对钆基对比剂(GBCA)潜在沉积与肾病风险及工作流程限制,研究人员开展GBCA-free与GBCA-enhanced MRI筛查颅内肿瘤的诊断性能对比研究。结果显示两者敏感性(79.6% vs 73.3%)与特异性(96.1% vs 92.9%)相当(p=0.15),提示GBCA-free MRI可作为可靠的一线筛查工具。
来源:Frontiers in Neuroimaging
时间:2026-04-28
-
基于人工蜂群与遗传算法优化的深度卷积神经网络:一种新型加密网络流量分类方法
本文介绍了一种结合深度卷积神经网络(DCNN)与长短时记忆网络(LSTM),并通过人工蜂群算法(ABC)和遗传算法(GA)进行双重优化的混合模型,用于高效分类VPN与非VPN加密流量。该方法在QUIC数据集上实现了99.66%的准确率与0.994的ROC‑AUC,显著优于传统机器学习与单一深度学习模型,为实时、安全敏感的加密网络监控提供了可靠解决方案。
来源:Frontiers in Big Data
时间:2026-04-28
-
一个用于研究食物价值评估的高密度采样的功能性磁共振成像(fMRI)数据集
摘要人们对食物奖励的主观评价指导着我们的饮食选择,对人类的健康和福祉至关重要。大量基于功能性磁共振成像(fMRI)的研究一致表明,包括腹内侧前额叶皮层(vmPFC)和腹侧纹状体在内的奖励处理脑区负责编码食物奖励的主观价值。然而,价值信号的表征几何结构以及在大脑中形成这些信号的机制
来源:Scientific Data
时间:2026-04-28
-
儿科远程神经放射学研究结果的结构方程建模:一项为期2年的全国性研究,探讨了周转时间预测因素及临床决策支持的作用
摘要
背景
儿科神经放射学领域面临严重的人才短缺问题,远程放射学作为一种重要的解决方案应运而生。然而,关于远程放射中心发现结果及其运营影响的研究仍然有限。
研究目的
开发并验证用于识别周转时间预测因子的结构方程模型,并为儿科远程神经放射学服务的工作流程优化提出建议。
研究设计
来源:Child's Nervous System
时间:2026-04-28
-
基于无标记拉曼光谱技术和卷积神经网络-长短期记忆(CNN-LSTM)模型的肺癌快速诊断方法,该方法适用于细胞涂片样本
张正|张胜雄|罗浩文|张云辉|刘刚|刘超|钱凯|谢军|欧全红中国云南省师范大学物理与电子信息学院光电信息技术重点实验室,昆明650500摘要肺癌是全球最常见的恶性肿瘤之一,具有高发病率和死亡率,其病理诊断过程繁琐、复杂且耗时,严重阻碍了患者的早期干预和治疗机会。开发一种高效准确的
来源:Vibrational Spectroscopy
时间:2026-04-28
-
RGAT:基于超像素特征层次的视网膜图注意力网络,用于与脉络膜血管疾病(CVD)相关的视网膜表型分类
Sabyasachi Roy Barman|Md Kayser Ahmed Hridoy|R. Murugan
生物医学成像实验室,电子与通信工程系,印度阿萨姆邦西尔查尔国立理工学院,788010
摘要
心血管疾病(CVDs)仍然是全球主要的健康挑战,需要可扩展且无创的筛查策
来源:Pattern Recognition Letters
时间:2026-04-28
-
基于深度神经网络的近场时间序列预测:用于滑坡引发的海啸的替代框架,用于边界输入建模
高畑智之|藤原雪|山崎新|岩崎俊辅|浅井敬人|大野白
日本大阪近畿大学科学与工程学院
摘要
高保真度的滑坡引发的海啸模拟通常涉及使用三维计算流体动力学模型来解析近场生成过程,并将得到的时间序列作为边界条件传递给深度平均的、水平方向上的二维传播模型。然而,将此类模拟应用于众多潜在
来源:Ocean Engineering
时间:2026-04-28
-
使用深度神经网络预测图像质量评分分布
尼古拉·普拉瓦茨(Nikola Plavac)| 赛义德·阿里·阿米尔沙希(Seyed Ali Amirshahi)| 马里乌斯·佩德森(Marius Pedersen)| 索菲·特里安塔菲利杜(Sophie Triantaphillidou)
挪威科技大学(Norwegia
来源:Journal of Visual Communication and Image Representation
时间:2026-04-28
-
应对数据约束挑战:一种集成注意力池化与多任务学习的材料科学深度学习协同策略
在材料科学研究中,数据稀缺和分布不平衡是机器学习应用面临的主要挑战。本文提出了一种集成了注意力池化(AP)、多任务学习(MT)、分类校正回归(CR)和辅助学习(AT)的协同框架。该框架在二维材料数据集中显著提升了功函数和带隙的预测精度,为数据受限条件下的材料性能精准预测提供了高效、可扩展的解决方案。
来源:Materials Genome Engineering Advances
时间:2026-04-28