超声可用于精神疾病的调控

最新推荐文章于 2025-09-08 09:22:41 发布
原创 最新推荐文章于 2025-09-08 09:22:41 发布 · 355 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#脑科学 #心理学 #精神疾病 #痴呆症 #前额叶

一项新研究揭示猕猴大脑的外侧前额叶区与功劳分配过程相关，且低强度经颅超声刺激（TUS）能影响这一区域，可能导致决策行为变化。此发现可能为未来临床研究中治疗精神疾病，如成瘾和强迫症，提供新途径。研究发表在《Science Advances》杂志上，表明TUS可以改变动物的决策行为，使其不再依赖于选择的价值，降低了决策的适应性。

关注“心仪脑”查看更多脑科学知识

关键词：文献综述、精神疾病

想象一下，如果你通过了一次非常重要的考试，在于异性的约会中获得了对方的好感，并认为你的成功归功于你的穿搭，你的配饰或你吃的东西，而不是你所投入的学习时间和花费的心意；

这种 "功劳分配 "的问题，即一个人或动物将错误的结果归因于一个事件，存在于各种精神疾病中，如成瘾、强迫症，人们仍然相信服用药物和参与某些仪式会导致积极的结果。

对猕猴的一项新研究揭示了大脑的哪些部分支持功劳分配过程，并首次揭示了低强度经颅超声刺激（TUS）如何能够调节与这些信用分配过程相关的大脑活动和行为。虽然目前是在动物模型中进行的实验，但这一研究方向和TUS的使用有朝一日可以应用于临床研究，以解决观察到的适应不良的决定的精神状况。

英国普利茅斯大学的研究人员发表在《Science Advances,》杂志上，研究表明，大脑外侧前额叶区的信用分配相关活动，支持适应性行为，可以用TUS安全而快速地破坏掉。

在刺激这一大脑区域后，实验动物在决策中变得更加具有探索性。由于超声神经调节，行为不再受选择价值的指导--这意味着它们无法理解某些选择会导致更好的结果--决策在任务中的适应性降低。

该研究还显示，如果另一个大脑区域（也是前额叶皮层的一部分）受到刺激，这一过程仍然保持不变；首次显示了与任务相关的大脑调节是如何具体地刺激介导某种认知过程的区域的。这项工作由威康综合神经影像中心共同完成。

参考文献：

Stephens, Keri.AXIS Imaging News; Overland Park (Dec 29, 2021).

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！

 

Cell综述|精神疾病的神经科学：面向未来
悦影科技
02-17 1203
精神疾病源于大脑功能障碍。尽管许多神经外的因素都会影响这些疾病，但最终，大脑科学将带来新的治疗方法。同时，我们对这个复杂器官的理解并不完整，导致人们经常认为神经科学尚未对精神疾病患者的护理做出重大贡献。这篇评论试图反驳这种说法，使用具体的例子来说明神经科学的进步如何在过去促进了精神卫生保健的进步，以及当前的成就如何为未来的进一步进步奠定了基础。2. 引言为了奠定这篇综述的基础，首先必须定义其界限。特别是，考虑“精神疾病”一词的含义很有用。这个术语及其同伴“心理健康”经常使用，但定义较少。在神经科学研究的背景
Brain Stimulation:经颅超声神经调控的人体研究—对其有效性和安全性的系统综述
悦影科技
10-25 1701
摘要 经颅超声刺激(Transcranial ultrasound stimulation，TUS)作为一种安全、无侵入性的技术在人体研究中越来越关注。本文回顾人体研究，关注于TUS设备、超声参数、结果测量、结果和不良反应，并强调未来的研究方向。通过系统综述至2022年1月12日Web of Science和PubMed数据库中35项聚焦/非聚焦TUS的人体研究，包含677名受试者，属于不同的队列，包括健康、慢性疼痛、痴呆、癫痫、创伤性脑损伤、抑郁症的患者，刺激效果随超声参数变化不一致，评估方式包括临床、神
Nature子刊 | 一种用于闭环经颅超声神经调控的形态变化型皮层粘附传感器
脑机接口社区
10-13 1924
近年来，经颅聚焦超声（Transcranial Focused Ultrasound, tFUS）因其高空间分辨率和深度穿透能力，在非侵入性治疗耐药癫痫等神经系统疾病方面展示出巨大潜力。特别是，它能够通过精确的超声波作用于大脑特定区域，诱发神经刺激。然而，目前现有的神经刺激设备大多依赖于固定的刺激方案，难以根据实时神经信号进行调节。这种限制使得治疗效果在患者个体之间存在较大差异，尤其是对于需要个性...
神经调控技术综述型总结
qq_38214318的博客
03-03 9227
[1] 神经调控技术简述 张迪，于猛，刘霞，山东大学学报（医学版）2020年8月，Vol.58, No.8 神经调控是通过侵入性或非侵入性技术，利用光、磁、电、超声等物理性或化 学性手段改变神经系统信号传递，调节神经元及其所在神经网络活动性， 最终引起特定脑功能改变的生物医学工程技术。根据不同的刺激手段，神经调控不但可以引起快速的、局部的功能改变，也可以引发持续的神经元功能和神经环路连接改变，如神经元可塑性变化以及神经环路重塑。因此，神经调控技术既是研究神经环路、解析脑功能的重要工具，又是治疗神经系统
想学神经调控-价格你来定
u011661076的博客
12-04 1458
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注 A：“神经调控”一词被许多人认为是一个矛盾的术语，至少在修复受损或功能失调的中枢神经系统方面是这样。一般认为学习和记忆以某种方式导致大脑结构或功能的相对永久性的改变，但这种观念坚持认为，神经功能和结构基本上是由遗传决定的，相对而言不受外源性刺激的影响。 B：然而，在过去的几十年里，神经影像技术的发展使科学研究能够提供神经可塑性的证据，其规模远超出了先前的认识。关于神经可塑性的研究正在蓬勃发展，同时来自不同行业的从业人员提出了大量未经科学证实的说
Nature子刊 | 超声波头盔实现无需手术的深部脑刺激
脑机接口社区
09-08 914
无需手术即可精准调控深层脑结构的能力，被视为神经科学领域的一次范式转变，提供了安全、可逆且可重复的方式来研究脑功能和开发靶向疗法。经颅超声刺激（TUS）是一项具有潜力的技术，近期发现其可通过传递温和的机械脉冲影响神经元（大脑中的关键信号传递细胞）的活动，从而改变神经元的信号模式。鉴于临床潜力，研究团队的部分成员已创立了 NeuroHarmonics，这是一家从伦敦大学学院（UCL）孵化的公司，致力于研发便携式可穿戴版本，使精准、非侵入性的深部脑治疗能够进入临床实践并拓展至更广泛的领域。
超声脑机接口公司Nudge获1亿美元A轮融资，引领超声脑机接口革命
脑机接口社区
08-11 1510
此外，聚焦超声不仅能够治疗大脑深层区域的问题，还能够提供灵活的治疗方案，根据每个个体的需求进行调整和优化。随着技术的不断进步和产品的逐步成熟，Nudge的脑机接口系统将走向更多的消费市场，成为普通人日常生活的一部分。该公司通过与神经科学家的深度合作，将最新的神经机制研究融入到产品的设计和优化中，确保其治疗效果能够长期稳定，并具有广泛的适用性。：自主研发的神经反馈算法和决策平台，能够实时响应用户的大脑状态，并进行个性化的干预，确保每个用户都能获得最适合他们的治疗方案。
超详细！一篇文章带你轻松入门神经调控
psybrain的博客
07-02 3329
关注“心仪脑”查看更多脑科学知识的分享。 关键词：神经调控、脑科学、神经科学、TMS、tDCS 我们已经知道，EEG可以在头皮表面测量神经元的放电活动；fNIRS通过向脑内发射近红外光，测量目标脑区含氧血红蛋白和脱氧血红蛋白的浓度变化；还有fMRI、MEG、PET等神经影像技术，分别基于不同的原理对大脑活动进行观测。 然而，在人类一步步接近大脑真相的过程中，我们是否只能做一个被动的观察者呢？ 答案是否定的，也是振奋人心的：神经调控技术的发展，使得人为调节大脑活动不再遥不可及。 什么是神经调控？
神经调控技术在脑功能性疾病中的演进与智能化前景
与此同时，迷走神经电刺激（VNS）也于1997年被美国FDA批准用于难治性癫痫的治疗，随后扩展至抑郁症等精神类疾病。 目前，DBS已成为治疗帕金森病、原发性震颤、肌张力障碍等运动障碍性疾病的标准手段之一，其通过...
【综述】近红外脑功能成像技术在神经调控中的应用
m0_75194604的博客
03-20 1409
综述近红外脑功能成像技术在神经调控中的应用撰文：霍聪聪，徐功铖，谢晖，陈天弟，邵广健，王珏，李文昊，汪待发，李增勇国家康复辅具研究中心李增勇教授团队与北京航空航天大学汪待发副教授，在《中国神经再生研究（英文版）》（Neural Regeneration Research）上发表了题为“Functional near-infrared spectroscopy in non-invasive neuromodulation”的综述，该文重点关注近红外脑功能成像技术在神经调控方面的应用研究，文章主要从近红外脑功
科技管理部门如何借助AI+数智技术突破创新资源匮乏，以打造专业的供需精准匹配？.docx
12-02
科技管理部门如何借助AI+数智技术突破创新资源匮乏，以打造专业的供需精准匹配？
Delphi 12.3 Excel自动化与数据处理集成开发方案
12-02
Delphi 12.3 作为一款面向 Windows 平台的集成开发环境，由 Embarcadero Technologies 负责其持续演进。该环境以 Object Pascal 语言为核心，并依托 Visual Component Library（VCL）框架，广泛应用于各类桌面软件、数据库系统及企业级解决方案的开发。在此生态中，Excel4Delphi 作为一个重要的社区开源项目，致力于搭建 Delphi 与 Microsoft Excel 之间的高效桥梁，使开发者能够在自研程序中直接调用 Excel 的文档处理、工作表管理、单元格操作及宏执行等功能。 该项目以库文件与组件包的形式提供，开发者将其集成至 Delphi 工程后，即可通过封装良好的接口实现对 Excel 的编程控制。具体功能涵盖创建与编辑工作簿、格式化单元格、批量导入导出数据，乃至执行内置公式与宏指令等高级操作。这一机制显著降低了在财务分析、报表自动生成、数据整理等场景中实现 Excel 功能集成的技术门槛，使开发者无需深入掌握 COM 编程或 Excel 底层 API 即可完成复杂任务。 使用 Excel4Delphi 需具备基础的 Delphi 编程知识，并对 Excel 对象模型有一定理解。实践中需注意不同 Excel 版本间的兼容性，并严格遵循项目文档进行环境配置与依赖部署。此外，操作过程中应遵循文件访问的最佳实践，例如确保目标文件未被独占锁定，并实施完整的异常处理机制，以防数据损毁或程序意外中断。 该项目的持续维护依赖于 Delphi 开发者社区的集体贡献，通过定期更新以适配新版开发环境与 Office 套件，并修复已发现的问题。对于需要深度融合 Excel 功能的 Delphi 应用而言，Excel4Delphi 提供了经过充分测试的可靠代码基础，使开发团队能更专注于业务逻辑与用户体验的优化，从而提升整体开发效率与软件质量。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
什么是真正的“体系化AI知识产权解决方案”？它如何为市场化技术转移机构创造价值？.docx
12-02
什么是真正的“体系化AI知识产权解决方案”？它如何为市场化技术转移机构创造价值？
一个集成了多种经典与进阶路径规划算法的综合性Python开源项目_该项目核心实现了包括A星算法及其考虑车辆运动学约束的混合A星变体迪杰斯特拉搜索算法贪婪最佳优先搜索算法广度优.zip
12-02
一个集成了多种经典与进阶路径规划算法的综合性Python开源项目_该项目核心实现了包括A星算法及其考虑车辆运动学约束的混合A星变体迪杰斯特拉搜索算法贪婪最佳优先搜索算法广度优.zip
教育大数据与人工智能融合.docx
最新发布
12-02
人工智能行业相关的应用趋势和解决方案介绍
如何利用低成本的AI驱动的技术转移平台解决地方政府面临的产品同质化严重难题？.docx
12-02
如何利用低成本的AI驱动的技术转移平台解决地方政府面临的产品同质化严重难题？
什么是真正的“便捷新一代技术转移SaaS系统”？它如何为技术转移服务公司创造价值？.docx
12-02
什么是真正的“便捷新一代技术转移SaaS系统”？它如何为技术转移服务公司创造价值？
AI时代，中小技术转移机构面临服务成本高昂挑战，如何抓住“智改数转”一体化服务机遇实现产品服务差异化？.docx
12-02
AI时代，中小技术转移机构面临服务成本高昂挑战，如何抓住“智改数转”一体化服务机遇实现产品服务差异化？
【遥感与地理信息】基于Google Earth Engine的GPP数据处理：喜马拉雅区域2000–2023年7月植被生产力时序分析
12-02
内容概要：本文是一段用于Google Earth Engine（GEE）平台的JavaScript代码脚本，旨在提取并处理2000年至2023年每年7月期间的研究区域（由矩形地理范围定义）内的植被总初级生产力（GPP）数据。脚本首先加载CAS/IGSNRR/PML/V2_v018数据集，筛选出指定时间与空间范围内的GPP波段，随后通过循环逐年提取每年7月的GPP总量（若无数据则以0填充），并将所有年份结果合并为一个多波段影像。最终，该影像被可视化展示，并导出至用户的Google Drive存储空间，适用于长时间序列的生态遥感分析。; 适合人群：熟悉遥感与地理信息系统（GIS）基础知识，具备一定Earth Engine平台使用经验的科研人员或学生； 使用场景及目标：①获取特定区域长时间序列的月度GPP数据；②进行植被生产力变化趋势分析；③支持生态环境、气候变化等相关研究的数据制备； 阅读建议：建议使用者理解代码中各函数的作用（如filterDate、clip、toBands等），并根据实际研究区域和时间调整参数，同时注意导出时的像元数量限制与空间分辨率设置。
V-Net可用于分割甲状腺超声影像吗
06-14
### V-Net在甲状腺超声影像分割中的适用性分析 V-Net 是一种基于卷积神经网络（CNN）的三维全卷积网络，最初被设计用于医学图像分割任务。它结合了编码器和解码器结构，并通过跳跃连接（skip connection）将高层次特征与低层次特征融合，从而实现更精确的分割结果[^2]。 #### 可行性分析 1. **数据特性匹配** 甲状腺超声影像是典型的医学成像数据，具有复杂的解剖结构和边界模糊的特点。V-Net 的设计初衷正是为了处理类似问题，其能够学习到丰富的空间上下文信息，这对于甲状腺结节或腺体的分割尤为重要[^2]。 2. **三维扩展能力** 尽管甲状腺超声通常是二维图像，但通过堆叠连续切片可以形成伪三维数据集。V-Net 在三维数据上的优越性能使其能够更好地捕捉器官的空间结构关系，从而提高分割精度。 3. **训练效率与鲁棒性** V-Net 的架构允许使用较小的数据集进行有效训练，这在甲状腺超声领域尤为关键，因为标注高质量的医疗图像通常需要大量专业资源。此外，V-Net 对噪声和不规则形状具有较强的鲁棒性，能够适应不同患者间的个体差异[^2]。 #### 示例代码 以下是一个简化的 V-Net 实现示例，用于甲状腺超声影像分割： ```python import torch import torch.nn as nn class VNet(nn.Module): def __init__(self, in_channels=1, out_channels=1): super(VNet, self).__init__() # Encoder layers self.encoder1 = self._make_layer(in_channels, 16) self.encoder2 = self._make_layer(16, 32) self.encoder3 = self._make_layer(32, 64) # Bottleneck layer self.bottleneck = self._make_layer(64, 128) # Decoder layers with skip connections self.decoder3 = self._make_layer(128 + 64, 64) self.decoder2 = self._make_layer(64 + 32, 32) self.decoder1 = self._make_layer(32 + 16, 16) # Final convolution to output segmentation mask self.final_conv = nn.Conv3d(16, out_channels, kernel_size=1) def _make_layer(self, in_channels, out_channels): return nn.Sequential( nn.Conv3d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm3d(out_channels), nn.ReLU(inplace=True), nn.Conv3d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm3d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): # Encoder path e1 = self.encoder1(x) e2 = self.encoder2(nn.functional.max_pool3d(e1, 2)) e3 = self.encoder3(nn.functional.max_pool3d(e2, 2)) # Bottleneck bottleneck = self.bottleneck(nn.functional.max_pool3d(e3, 2)) # Decoder path with skip connections d3 = torch.cat([nn.functional.interpolate(bottleneck, scale_factor=2), e3], dim=1) d3 = self.decoder3(d3) d2 = torch.cat([nn.functional.interpolate(d3, scale_factor=2), e2], dim=1) d2 = self.decoder2(d2) d1 = torch.cat([nn.functional.interpolate(d2, scale_factor=2), e1], dim=1) d1 = self.decoder1(d1) # Final output output = self.final_conv(d1) return output # Example usage model = VNet(in_channels=1, out_channels=1) # Binary segmentation for thyroid ultrasound images ``` #### 注意事项 - 数据预处理：在使用 V-Net 进行甲状腺超声影像分割之前，需要对原始图像进行标准化、归一化以及可能的增强操作。 - 模型优化：可以通过调整超参数（如学习率、批次大小等）来提升模型性能[^2]。 - 评估指标：建议使用 Dice 系数、Jaccard 指数等指标评估分割效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值