期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
重度抑郁症患者治疗前后脑功能及结构的MRI研究进展 被引量:12
1
作者 李海东 王峻 牛金亮 《磁共振成像》 CAS CSCD 北大核心 2022年第3期143-146,共4页
重度抑郁症(major depressive disorder,MDD)是由多种因素导致的精神疾病,可引起情绪低落及认知功能受损等症状,抗抑郁治疗前后存在大脑功能和结构的不同改变。MRI有助于进一步确定MDD相关症状的神经病理生理机制。研究发现未治疗MDD患... 重度抑郁症(major depressive disorder,MDD)是由多种因素导致的精神疾病,可引起情绪低落及认知功能受损等症状,抗抑郁治疗前后存在大脑功能和结构的不同改变。MRI有助于进一步确定MDD相关症状的神经病理生理机制。研究发现未治疗MDD患者前额叶、扣带回、楔前叶及海马等脑区的神经活动减低,默认模式网络(default mode network,DMN)、中央执行网络(central executive network,CEN)及显著性网络(salience network,SN)功能连接增强,灰质体积减小、白质结构损伤,抗抑郁药物治疗后部分脑区神经活动增加,脑网络功能连接及灰、白质结构正常化。本文综述MDD治疗前后的MRI脑功能及结构改变,为早期诊断及抗抑郁药物疗效评估提供客观影像学依据。 展开更多
关键词 重度抑郁症 磁共振成像 脑结构 脑功能 机制 抗抑郁药物治疗 影像标志物
在线阅读 下载PDF
帕金森病伴抑郁患者大脑复杂度的静息态脑功能成像研究 被引量:7
2
作者 李海东 王峻 牛金亮 《磁共振成像》 CAS CSCD 北大核心 2022年第7期90-95,共6页
目的采用排列熵(permutation entropy,PE)算法研究帕金森病伴抑郁(Parkinson's disease patients with depression,PD-Dep)患者基于静息态功能磁共振成像(resting state functional magnetic resonance imaging,rs-fMRI)大脑复杂度... 目的采用排列熵(permutation entropy,PE)算法研究帕金森病伴抑郁(Parkinson's disease patients with depression,PD-Dep)患者基于静息态功能磁共振成像(resting state functional magnetic resonance imaging,rs-fMRI)大脑复杂度改变,寻找PD-Dep的特征影像学标志。材料与方法前瞻性纳入2020至2021年山西医科大学第二医院的帕金森病(Parkinson's disease,PD)患者45例[PD-Dep患者22例,帕金森病不伴抑郁(Parkinson's disease patients without depression,PD-NDep)患者23例],23例健康受试者作为健康对照组(healthy controls,HCs)。采用汉密尔顿抑郁量表-24(24-item Hamilton Depression Scale,HAMD-24)及简易智能状态检查量表(Mini-Mental State Examination,MMSE)对所有受试者行神经功能评估,并对受试者行rs-fMRI扫描。采用PE方法分析三组患者的rs-fMRI图像复杂度,对PD-Dep异常脑区PE值与量表评分进行相关性分析。结果三组性别、年龄、受教育年限、MMSE评分差异无统计学意义(P>0.05)。PD-Dep组较另两组HAMD评分均显著增高(P<0.01)。三组PE值在右侧颞下回、左侧前扣带回、右侧扣带回中部脑区存在明显差异(P<0.01)。与PD-NDep组相比,PD-Dep组PE值增高的脑区位于右侧扣带回中部(P=0.007),与HCs组相比,PD-Dep组PE值增高的脑区位于右侧颞下回(P=0.022),减低的脑区位于左侧前扣带回(P=0.007)。与HCs组相比,PD-NDep组增高的脑区位于右侧颞下回(P=0.004),减低的脑区位于左侧前扣带回及右侧扣带回中部(P<0.01,P=0.019)。PD-Dep组右侧扣带回中部PE值与抑郁评分呈正相关(P<0.01,r=0.790)。结论PE能反映PD-Dep患者大脑复杂度改变的病理生理过程,右侧扣带回中部脑区PE值有可能成为评估疾病进展的重要指标,为疾病早期诊断、治疗及监测病情进展提供参考信息。 展开更多
关键词 帕金森病 抑郁 功能磁共振 排列熵 复杂度 脑功能 血氧水平依赖 病理机制
在线阅读 下载PDF
基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤 被引量:15
3
作者 周宇堃 甄俊平 +3 位作者 靳波 边文瑾 杨洁 樊知昌 《中国医学影像技术》 CSCD 北大核心 2020年第5期675-679,共5页
目的观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤(PA)与腺淋巴瘤(AL)的价值。方法回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台,于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI,提取影像组学特征;以方差阈... 目的观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤(PA)与腺淋巴瘤(AL)的价值。方法回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台,于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI,提取影像组学特征;以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型,绘制ROC曲线,分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高,AUC为0.87,95%CI(0.59,1.00),准确率0.83。结论基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。 展开更多
关键词 腮腺 腺瘤 多形性 腺淋巴瘤 影像组学 机器学习 磁共振成像
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部