#brainnews[超话]#
NB:顾晓松院士/周松林副研究员报道脊髓损伤后胶质瘢痕形成动力学
来源:神经小灵通 ,作者神经科学通报
脊髓损伤(spinal cord injury,SCI)多由意外事故引起,是一种终身性损伤,给受影响的家庭和社会带来沉重的负担。目前促进脊髓再生的临床治疗方法有限,最终结局复杂,和损伤层面密切相关。脊髓损伤的病理生理过程包括原发损伤和继发胶质瘢痕的形成。尽管胶质瘢痕抑制轴突再生和保护受损的神经组织已被广泛接受,但其在脊髓损伤中的确切作用及切换机制仍不清楚。有趣的是,刺毛鼠(Acomys cahirinus)是一个奇怪的例外,因为它在完全脊髓切断 [1]后仍能维持无瘢痕再生和功能恢复。因此,全面了解脊髓胶质瘢痕形成过程对制定更有效的SCI治疗方法至关重要。
NB:顾晓松院士/周松林副研究员报道脊髓损伤后胶质瘢痕形成动力学
来源:神经小灵通 ,作者神经科学通报
脊髓损伤(spinal cord injury,SCI)多由意外事故引起,是一种终身性损伤,给受影响的家庭和社会带来沉重的负担。目前促进脊髓再生的临床治疗方法有限,最终结局复杂,和损伤层面密切相关。脊髓损伤的病理生理过程包括原发损伤和继发胶质瘢痕的形成。尽管胶质瘢痕抑制轴突再生和保护受损的神经组织已被广泛接受,但其在脊髓损伤中的确切作用及切换机制仍不清楚。有趣的是,刺毛鼠(Acomys cahirinus)是一个奇怪的例外,因为它在完全脊髓切断 [1]后仍能维持无瘢痕再生和功能恢复。因此,全面了解脊髓胶质瘢痕形成过程对制定更有效的SCI治疗方法至关重要。
#!Day566三月份的疫情,导致好久没去成南图。前阵子好不容易抢到周末的预约,逛了下并找了一些“标题党”的书。特别奇葩的是这本大字的《为什么伤心的时候听慢歌》,没细看内容就带回来了,自认为可以教授一些听歌的小技巧。后来看导言才知道这是一本讲音乐和神经科学(认知神经科学)的书。
既然符合胃口,先看了后面的两章,再从前面慢慢往后看。神奇的事情发生了,最后待看完的那一节标题,果真是《为什么伤心的时候听慢歌》, 好不凑巧。现在的译者,为了让书多卖一些,总会做些画蛇添足的事,真让人哭笑不得。不过话说回来,这本书还不错,作者自身是从音乐转研究神经科学的,具有很强的代入感,还从进化、文化传承讨论音乐对人类的影响,同时列举了作者听过的很多歌来阐述其观点,独具一格(brilliant & take it easy。)
既然符合胃口,先看了后面的两章,再从前面慢慢往后看。神奇的事情发生了,最后待看完的那一节标题,果真是《为什么伤心的时候听慢歌》, 好不凑巧。现在的译者,为了让书多卖一些,总会做些画蛇添足的事,真让人哭笑不得。不过话说回来,这本书还不错,作者自身是从音乐转研究神经科学的,具有很强的代入感,还从进化、文化传承讨论音乐对人类的影响,同时列举了作者听过的很多歌来阐述其观点,独具一格(brilliant & take it easy。)
#brainnews[超话]#
NB:余维川/刘华锋教授团队基于PET评估脑动脉缺血模型造模质量
来源:神经小灵通 ,作者神经科学通报
在本文中,研究人员提出一种用图像特征提取的方法,通过支持向量机(support vector machine, SVM)来自动判断大鼠MCAO成功与否。研究人员采用了尺度不变特征变换(scale-invariant feature transform, SIFT)。SIFT特征的其中一个优点是对图像亮度变化保持不变,因此不需要对PET图像进行亮度归一化(intensity normalization)。同时,在提取特征之前对所有图像先进行预处理,使得每一张图像都配准到相同的空间。研究人员选取了固定的特征点来提取特征,然后通过SVM训练出分类器可以对新的大鼠PET图像进行判断。图2展示了从图像预处理到特征提取的全部过程。
通过图像特征判断MCAO的成功与否具备以下优势:
1)训练数据在交叉检验下达到98%的准确率,拥有TTC染色的验证数据达到100%准确率,独立实验的测试数据达到92%的准确率;
2)整个过程自动化,可以帮助消除人为判断带来的误差;
3)利用SIFT特征对亮度变化保持不变的特点,可以避免传统方法中亮度归一化带来的误差;
4)判断MCAO只需要手术之后的图像,而不需要在术前拍摄基线图像(baseline image);
5)新方法的使用非常灵活。对于数据量不足的研究者可以直接下载使用我们训练好的分类器。对于自身数据充足的研究者可以参照我们提供的流程使用自己的图像进行训练和判断。
NB:余维川/刘华锋教授团队基于PET评估脑动脉缺血模型造模质量
来源:神经小灵通 ,作者神经科学通报
在本文中,研究人员提出一种用图像特征提取的方法,通过支持向量机(support vector machine, SVM)来自动判断大鼠MCAO成功与否。研究人员采用了尺度不变特征变换(scale-invariant feature transform, SIFT)。SIFT特征的其中一个优点是对图像亮度变化保持不变,因此不需要对PET图像进行亮度归一化(intensity normalization)。同时,在提取特征之前对所有图像先进行预处理,使得每一张图像都配准到相同的空间。研究人员选取了固定的特征点来提取特征,然后通过SVM训练出分类器可以对新的大鼠PET图像进行判断。图2展示了从图像预处理到特征提取的全部过程。
通过图像特征判断MCAO的成功与否具备以下优势:
1)训练数据在交叉检验下达到98%的准确率,拥有TTC染色的验证数据达到100%准确率,独立实验的测试数据达到92%的准确率;
2)整个过程自动化,可以帮助消除人为判断带来的误差;
3)利用SIFT特征对亮度变化保持不变的特点,可以避免传统方法中亮度归一化带来的误差;
4)判断MCAO只需要手术之后的图像,而不需要在术前拍摄基线图像(baseline image);
5)新方法的使用非常灵活。对于数据量不足的研究者可以直接下载使用我们训练好的分类器。对于自身数据充足的研究者可以参照我们提供的流程使用自己的图像进行训练和判断。
✋热门推荐