DTI脑连接组分析中分割模板的选择

由于脑网络性质会因网络构建方法不同(如脑区划分模板、弥散磁共振成像(magnetic resonance imaging,MRI)模型、纤维素追踪算法和网络加权方案等)而出现较大的差异,针对弥散张量成像(diffusion tensor imaging,DTI),基于临床研究中的典型设置,研究了不同分割模板对脑网络拓扑参数的影响.参与本研究的75例健康老年人均接受了相同的认知功能综合评估和同一3T磁共振采集系统的全脑扫描.结果显示全局拓扑属性对脑区划分的空间尺度非常敏感,而对脑区划分原则并不是特别敏感.脑网络的模块化结构相对较稳定,不易受到节点划分尺度和节点划分原则的影响.中等分辨率的模板在大脑老化分析中具有更高的敏感性,可能更适合于常规DTI脑网络分析.     

认知储备在大脑老化中的研究进展

阿尔兹海默症（Alzheimer's disease,AD）一经发现难以逆转,早期诊断对延缓AD的病程发展非常重要.虽然深度卷积网络近年来在图像识别领域有着大量突出的表现,但将从自然图像中训练得到的二维经典的深度网络直接运用到三维的结构磁共振影像（structural magnetic resonance imaging,sMRI）上进行AD疾病状态的分类还存在一些问题.基于194例AD、123例晚期轻度认知障碍（late mild cognitive impairment,LMCI）与105例正常老化（normal control,NC）的sMRI,运用特征迁移学习的方法,从经典的深度卷积模型——AlexNet中提取各阶段受试者的图像特征,并对所提特征进行三维重组,再运用最大池化、主成分分析等方式降维,并运用向前序列选择方法对各分类组进行特征选择,最后运用支持向量机建立分类模型,实现AD、LMCI与NC的分类.在AlexNet的三、四、五层卷积层,AD与NC的分类准确率分别为89.93%、91.28%、87.25%,AD与LMCI的分类结果分别为80.77%、76.92%、78.21%,NC与LMCI的分类结果分别为72.46%、75.45%、73.65%.结果证明,通过经典卷积网络获得的特征,经过三维重组,能够较好地对AD实现分类.

     

视觉感知和步态控制——国际自主智能机器人大赛U型赛算法综述

近年来，随着人工智能技术的发展，可独立完成任务的自主智能机器人成为研究热点。视觉感知和步态控制作为机器人完成各项任务的重要手段，是亟需不断深入研究的技术点。为了拓展小型人形机器人的自主智能水平和应用场景，本文从国际自主智能机器人大赛技术问题出发，研究分析视觉感知和步态控制在模拟人类生活场景的任务(即U型赛)中的应用。首先，对比赛环境和软硬件平台进行介绍，其次分别分析了视觉感知和步态控制在大赛中的应用方法和算法实现，并以上下开横杆为例，介绍了U型赛参赛队伍所使用的算法并进行分析比较。随后，展示了历年参赛队伍的优秀成果，分析了比赛任务完成度，指出比赛的研究难点及可能的解决方向。最后，对未来大赛的技术应用发展方向进行总结。