Jie Ma;Xu-Yun Hua;Mou-Xiong Zheng;Jia-Jia Wu;Bei-Bei Huo;Xiang-Xin Xing;Xin Gao;Han Zhang;Jian-Guang Xu
Korean Journal of Radiology
/
v.23
no.10
/
pp.986-997
/
2022
Objective: Whether metabolic redistribution occurs in patients with white matter hyperintensities (WMHs) on magnetic resonance imaging (MRI) is unknown. This study aimed 1) to propose a measure of the brain metabolic network for an individual patient and preliminarily apply it to identify impaired metabolic networks in patients with WMHs, and 2) to explore the clinical and imaging features of metabolic redistribution in patients with WMHs. Materials and Methods: This study included 50 patients with WMHs and 70 healthy controls (HCs) who underwent 18F-fluorodeoxyglucose-positron emission tomography/MRI. Various global property parameters according to graph theory and an individual parameter of brain metabolic network called "individual contribution index" were obtained. Parameter values were compared between the WMH and HC groups. The performance of the parameters in discriminating between the two groups was assessed using the area under the receiver operating characteristic curve (AUC). The correlation between the individual contribution index and Fazekas score was assessed, and the interaction between age and individual contribution index was determined. A generalized linear model was fitted with the individual contribution index as the dependent variable and the mean standardized uptake value (SUVmean) of nodes in the whole-brain network or seven classic functional networks as independent variables to determine their association. Results: The means ± standard deviations of the individual contribution index were (0.697 ± 10.9) × 10-3 and (0.0967 ± 0.0545) × 10-3 in the WMH and HC groups, respectively (p < 0.001). The AUC of the individual contribution index was 0.864 (95% confidence interval, 0.785-0.943). A positive correlation was identified between the individual contribution index and the Fazekas scores in patients with WMHs (r = 0.57, p < 0.001). Age and individual contribution index demonstrated a significant interaction effect on the Fazekas score. A significant direct association was observed between the individual contribution index and the SUVmean of the limbic network (p < 0.001). Conclusion: The individual contribution index may demonstrate the redistribution of the brain metabolic network in patients with WMHs.
This article proposes a subject-independent application of brain-computer interfacing (BCI). A 32-channel Electroencephalography (EEG) device is used to measure imagined speech (SI) of four words (sos, stop, medicine, washroom) and one phrase (come-here) across 13 subjects. A deep long short-term memory (LSTM) network has been adopted to recognize the above signals in seven EEG frequency bands individually in nine major regions of the brain. The results show a maximum accuracy of 73.56% and a network prediction time (NPT) of 0.14 s which are superior to other state-of-the-art techniques in the literature. Our analysis reveals that the alpha band can recognize SI better than other EEG frequencies. To reinforce our findings, the above work has been compared by models based on the gated recurrent unit (GRU), convolutional neural network (CNN), and six conventional classifiers. The results show that the LSTM model has 46.86% more average accuracy in the alpha band and 74.54% less average NPT than CNN. The maximum accuracy of GRU was 8.34% less than the LSTM network. Deep networks performed better than traditional classifiers.
Kim, Bori;Park, Su Hyun;Cho, Han Byul;Kim, Jungyoon
Korean Journal of Biological Psychiatry
/
v.25
no.1
/
pp.1-8
/
2018
Insomnia is a common sleep-related symptom which occurs in many populations, however, the neural mechanism underlying insomnia is not yet known. The hyperarousal model explains the neural mechanism of insomnia to some extent, and the frontal cortex dysfunction has been known to be related to primary insomnia. In this review, we discuss studies that applied resting state and/or task-related functional magnetic resonance imaging to demonstrate the deficits/dysfunctions of functional activation and network in primary insomnia. Empirical evidence of the hyperarousal model and proposed relation between the frontal cortex and other brain regions in primary insomnia are examined. Reviewing these studies could provide critical insights regarding the pathophysiology, brain network and cerebral activation in insomnia and the development of novel methodologies for the diagnosis and treatment of insomnia.
Recent research on mild cognitive impairment (MCI) has shown that cognitive and memory decline in this disease is accompanied by disruptive changes in the brain functional network. However, there have been no graph-theoretical studies using $^{11}C$-PIB PET data of the Alzheimer's Disease or mild cognitive impairment. In this study, we acquired $^{18}F$-FDG PET and $^{11}C$-PIB PET images of twenty-four normal aging control participants and thirty individuals with MCI from ADNI (Alzheimer's Disease Neuroimaging Initiative) database. Brain networks were constructed by thresholding binary correlation matrices using graph theoretical approaches. Both normal control and MCI group showed small-world property in $^{11}C$-PIB PET images as well as $^{18}F$-FDG PET images. $^{11}C$-PIB PET images showed significant difference between NC (normal control) and MCI over large range of sparsity values. This result will enable us to further analyze the brain using established graph-theoretical approaches for $^{11}C$-PIB PET images.
Kim, C.H.;Lee, J.H.;Lee, S.Y.;Woo, Y.C.;Baek, O.K.;Won, H.S.
Electronics and Telecommunications Trends
/
v.36
no.3
/
pp.106-118
/
2021
The field of brain science (or neuroscience in a broader sense) has inspired researchers in artificial intelligence (AI) for a long time. The outcomes of neuroscience such as Hebb's rule had profound effects on the early AI models, and the models have developed to become the current state-of-the-art artificial neural networks. However, the recent progress in AI led by deep learning architectures is mainly due to elaborate mathematical methods and the rapid growth of computing power rather than neuroscientific inspiration. Meanwhile, major limitations such as opacity, lack of common sense, narrowness, and brittleness have not been thoroughly resolved. To address those problems, many AI researchers turn their attention to neuroscience to get insights and inspirations again. Biologically plausible neural networks, spiking neural networks, and connectome-based networks exemplify such neuroscience-inspired approaches. In addition, the more recent field of brain network analysis is unveiling complex brain mechanisms by handling the brain as dynamic graph models. We argue that the progress toward the human-level AI, which is the goal of AI, can be accelerated by leveraging the novel findings of the human brain network.
KSII Transactions on Internet and Information Systems (TIIS)
/
v.17
no.10
/
pp.2788-2808
/
2023
Brain tumors are one of the most threatening malignancies for humans. Misdiagnosis of brain tumors can result in false medical intervention, which ultimately reduces a patient's chance of survival. Manual identification and segmentation of brain tumors from Magnetic Resonance Imaging (MRI) scans can be difficult and error-prone because of the great range of tumor tissues that exist in various individuals and the similarity of normal tissues. To overcome this limitation, the Amended Convolutional Neural Network (ACNN) model has been introduced, a unique combination of three techniques that have not been previously explored for brain tumor detection. The three techniques integrated into the ACNN model are image tissue preprocessing using the Kalman Bucy Smoothing Filter to remove noisy pixels from the input, image tissue segmentation using the Isotonic Regressive Image Tissue Segmentation Process, and feature extraction using the Marr Wavelet Transformation. The extracted features are compared with the testing features using a sigmoid activation function in the output layer. The experimental findings show that the suggested model outperforms existing techniques concerning accuracy, precision, sensitivity, dice score, Jaccard index, specificity, Positive Predictive Value, Hausdorff distance, recall, and F1 score. The proposed ACNN model achieved a maximum accuracy of 98.8%, which is higher than other existing models, according to the experimental results.
International Journal of Computer Science & Network Security
/
v.22
no.4
/
pp.101-110
/
2022
Histopathological analysis of biopsy specimens is still used for diagnosis and classifying the brain tumors today. The available procedures are intrusive, time consuming, and inclined to human error. To overcome these disadvantages, need of implementing a fully automated deep learning-based model to classify brain tumor into multiple classes. The proposed CNN model with an accuracy of 92.98 % for categorizing tumors into five classes such as normal tumor, glioma tumor, meningioma tumor, pituitary tumor, and metastatic tumor. Using the grid search optimization approach, all of the critical hyper parameters of suggested CNN framework were instantly assigned. Alex Net, Inception v3, Res Net -50, VGG -16, and Google - Net are all examples of cutting-edge CNN models that are compared to the suggested CNN model. Using huge, publicly available clinical datasets, satisfactory classification results were produced. Physicians and radiologists can use the suggested CNN model to confirm their first screening for brain tumor Multi-classification.
Kim, Joong Il;Park, Bumhee;Youn, Tak;Park, Hae-Jeong
Sleep Medicine and Psychophysiology
/
v.25
no.2
/
pp.82-91
/
2018
Objectives: Synchronous electroencephalogram (EEG) and functional magnetic resonance imaging (fMRI) has been used to explore sleep stage dependent functional brain networks. Despite a growing number of sleep studies using EEG-fMRI, few studies have conducted network analysis on whole night sleep due to difficulty in data acquisition, artifacts, and sleep management within the MRI scanner. Methods: In order to perform network analysis for whole night sleep, we proposed experimental procedures and data processing techniques for EEG-fMRI. We acquired 6-7 hours of EEG-fMRI data per participant and conducted signal processing to reduce artifacts in both EEG and fMRI. We then generated a functional brain atlas with 68 brain regions using independent component analysis of sleep fMRI data. Using this functional atlas, we constructed sleep level dependent functional brain networks. Results: When we evaluated functional connectivity distribution, sleep showed significantly reduced functional connectivity for the whole brain compared to that during wakefulness. REM sleep showed statistically different connectivity patterns compared to non-REM sleep in sleep-related subcortical brain circuits. Conclusion: This study suggests the feasibility of exploring functional brain networks using sleep EEG-fMRI for whole night sleep via appropriate experimental procedures and signal processing techniques for fMRI and EEG.
This review provides a comprehensive overview of brain imaging studies of the brain-gut interaction in functional gastrointestinal disorders (FGIDs). Functional neuroimaging studies during gut stimulation have shown enhanced brain responses in regions related to sensory processing of the homeostatic condition of the gut (homeostatic afferent) and responses to salience stimuli (salience network), as well as increased and decreased brain activity in the emotional response areas and reduced activation in areas associated with the top-down modulation of visceral afferent signals. Altered central regulation of the endocrine and autonomic nervous responses, the key mediators of the brain-gut axis, has been demonstrated. Studies using resting-state functional magnetic resonance imaging reported abnormal local and global connectivity in the areas related to pain processing and the default mode network (a physiological baseline of brain activity at rest associated with self-awareness and memory) in FGIDs. Structural imaging with brain morphometry and diffusion imaging demonstrated altered gray- and white-matter structures in areas that also showed changes in functional imaging studies, although this requires replication. Molecular imaging by magnetic resonance spectroscopy and positron emission tomography in FGIDs remains relatively sparse. Progress using analytical methods such as machine learning algorithms may shift neuroimaging studies from brain mapping to predicting clinical outcomes. Because several factors contribute to the pathophysiology of FGIDs and because its population is quite heterogeneous, a new model is needed in future studies to assess the importance of the factors and brain functions that are responsible for an optimal homeostatic state.
Recently, the productivity of drug discovery has gradually decreased as the limitations of single-target-based drugs for various and complex diseases become exposed. To overcome these limitations, drug combinations have been proposed, and great efforts have been made to predict efficacious drug combinations by statistical methods using drug databases. However, previous methods which did not take into account biological networks are insufficient for elaborate predictions. Also, increased evidences to support the fact that drug effects are closely related to metabolic enzymes suggested the possibility for a new approach to the study drug combinations. Therefore, in this paper we suggest a novel approach for analyzing drug combinations using a metabolic network in a systematic manner. The influence of a drug on the metabolic network is described using the distance between the drug target and an enzyme. Target-enzyme distances are converted into influence scores, and from these scores we calculated the correlations between drugs. The result shows that the influence score derived from the targetenzyme distance reflects the mechanism of drug action onto the metabolic network properly. In an analysis of the correlation score distribution, efficacious drug combinations tended to have low correlation scores, and this tendency corresponded to the known properties of the drug combinations. These facts suggest that our approach is useful for prediction drug combinations with an advanced understanding of drug mechanisms.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.