neuroimaging

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno evolvendo rapidamente verso la neuroimmagine indossabile, multimodale e basata sui dati, supportata dall’intelligenza artificiale (IA) nel mondo reale. Tuttavia, gli strumenti analitici attuali sono frammentati tra diverse piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di apprendimento automatico (ML). Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata, basata su modelli e basata sui dati, di dati fNIRS e DOT multimodali, all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione diretta, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML, all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili, che possono essere forniti insieme alle pubblicazioni di ricerca originali. Cedalion collega pipeline consolidate di neuroimmagine ottica con framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatizzata collega ogni metodo alla sua pubblicazione originale e i test di integrazione continua garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le funzionalità principali. Cedalion offre una base aperta, trasparente e estensibile dalla comunità che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e per ML, per la neuroimmagine in laboratorio e nel mondo reale.

Paper: ArXiv.org

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali, dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno evolvendo rapidamente verso la neuroimmagine indossabile, multimodale e basata sui dati, supportata dall’intelligenza artificiale (AI), applicabile nel mondo reale. Tuttavia, gli attuali strumenti di analisi sono frammentati tra diverse piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di machine learning (ML).

Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata, basata su modelli e sui dati, di dati fNIRS e DOT multimodali, all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione diretta, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML, all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili, da fornire insieme alle pubblicazioni di ricerca originali.

Cedalion collega le consolidate pipeline di neuroimmagine ottica con i framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatica collega ogni metodo alla sua pubblicazione di origine e i test di integrazione continua ne garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le funzionalità principali. Cedalion offre una base aperta, trasparente e comunitariamente estensibile che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e per il ML, per la neuroimmagine sia in laboratorio che nel mondo reale.

Paper: ArXiv.org

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali dal laboratorio al mondo reale

by

Cedalion Tutorial: Un framework Python per l’analisi completa di fNIRS e DOT multimodali dal laboratorio al mondo reale

La spettroscopia funzionale nel vicino infrarosso (fNIRS) e la tomografia ottica diffusa (DOT) stanno rapidamente evolvendo verso neuroimaging indossabile, multimodale e basato sui dati, supportato dall’IA nel mondo reale. Tuttavia, gli strumenti di analisi attuali sono frammentati tra le piattaforme, limitando la riproducibilità, l’interoperabilità e l’integrazione con i moderni flussi di lavoro di machine learning (ML). Cedalion è un framework open-source basato su Python progettato per unificare l’analisi avanzata basata su modelli e basata sui dati di dati fNIRS e DOT multimodali all’interno di un ambiente riproducibile, estensibile e guidato dalla comunità. Cedalion integra modellazione in avanti, co-registrazione fotogrammetrica degli optodi, elaborazione del segnale, analisi GLM, ricostruzione di immagini DOT e metodi basati su ML all’interno di un’unica architettura standardizzata basata sull’ecosistema Python. Aderisce agli standard SNIRF e BIDS, supporta notebook Jupyter eseguibili sul cloud e fornisce flussi di lavoro containerizzati per pipeline di analisi scalabili e completamente riproducibili che possono essere fornite insieme alle pubblicazioni di ricerca originali. Cedalion collega pipeline di optical-neuroimaging consolidate con framework ML come scikit-learn e PyTorch, consentendo una fusione multimodale senza soluzione di continuità con EEG, MEG e dati fisiologici. Implementa algoritmi validati per la valutazione della qualità del segnale, la correzione del movimento, la modellazione GLM e la ricostruzione DOT, integrati da moduli per la simulazione, l’aumento dei dati e l’analisi della fisiologia multimodale. La documentazione automatizzata collega ogni metodo alla sua pubblicazione di origine e i test di integrazione continua ne garantiscono la robustezza. Questo tutorial fornisce sette notebook completamente eseguibili che dimostrano le caratteristiche principali. Cedalion offre una base aperta, trasparente e community-estensibile che supporta flussi di lavoro fNIRS/DOT riproducibili, scalabili, pronti per il cloud e ML per il neuroimaging in laboratorio e nel mondo reale.

Paper: ArXiv.org

Modelli di Atrofia Ippocampale nello Spettro della Malattia di Alzheimer: Un’Analisi di Morfometria Basata sui Voxel

by

Ricerca sull’Atrofia Ippocampale e la Malattia di Alzheimer

Un nuovo studio, basato sull’analisi di morfometria voxel-based, ha esaminato i modelli di atrofia ippocampale in pazienti affetti da malattia di Alzheimer (AD) e da lieve deterioramento cognitivo (MCI). Lo studio, pubblicato su arXiv (arXiv:2601.05494v1), ha utilizzato scansioni MRI T1-weighted di 249 partecipanti dell’ADNI (Alzheimer’s Disease Neuroimaging Initiative).

L’analisi ha coinvolto l’utilizzo di CAT12/SPM12 per valutare il volume della materia grigia. I risultati hanno mostrato una significativa atrofia ippocampale nei pazienti con AD rispetto a quelli con MCI e ai controlli sani (CN). L’ippocampo, una regione cruciale per la memoria, ha dimostrato un valore predittivo moderato per la conversione da MCI ad AD.

Inoltre, lo studio ha valutato l’influenza del gene APOE4, associato al rischio di AD. Tuttavia, la stratificazione per lo stato APOE4 non ha rivelato effetti genetici significativi sul volume ippocampale. Questi risultati confermano la degenerazione del lobo temporale mediale come caratteristica chiave della progressione della AD, offrendo spunti sui biomarcatori predittivi e sulle influenze genetiche.

Questo studio fornisce importanti informazioni sulla diagnosi precoce e la progressione della malattia di Alzheimer, sottolineando l’importanza dell’imaging cerebrale e dell’analisi morfometrica per la valutazione della salute del cervello.

Paper: ArXiv.org

PET Tau: Un Nuovo Biomarcatore Chiave per la Diagnosi dell’Alzheimer

by

Introduzione

Un recente studio pubblicato su PubMed ha evidenziato l’importanza della tomografia a emissione di positroni (PET) con tracciante tau (tau-PET) come strumento diagnostico per la malattia di Alzheimer (AD). Lo studio suggerisce che la tau-PET potrebbe migliorare significativamente il processo diagnostico, offrendo un’elevata accuratezza nel distinguere i pazienti con AD.

Risultati Chiave

Lo studio ha dimostrato che la tau-PET presenta un elevato valore predittivo positivo (PPV) e negativo (NPV) per la diagnosi clinico-patologica di AD, anche come marker indipendente. Ciò significa che la tau-PET è in grado di identificare con precisione i pazienti affetti da AD e di escludere quelli che non lo sono. Inoltre, lo studio ha sottolineato che la tau-PET aggiunge valore diagnostico anche quando lo stato amiloide del paziente è già noto, affinando ulteriormente la diagnosi.

Implicazioni Cliniche

Questi risultati hanno importanti implicazioni per la pratica clinica. La tau-PET potrebbe essere utilizzata per ottimizzare il processo diagnostico dell’AD, consentendo una diagnosi più accurata e precoce. Ciò potrebbe portare a un trattamento più tempestivo e a una migliore gestione della malattia. L’uso della tau-PET potrebbe ridurre la necessità di procedure diagnostiche invasive e migliorare la qualità della vita dei pazienti affetti da AD.

Conclusioni

In sintesi, la tau-PET emerge come uno strumento diagnostico promettente per l’AD, con un’elevata accuratezza e un potenziale significativo per migliorare la diagnosi e la gestione della malattia. Ulteriori ricerche sono necessarie per confermare questi risultati e per esplorare l’impatto della tau-PET su un’ampia gamma di pazienti.

Fonte: PubMed (NIH)