♻️#ماده #خاکستری #مغز (#قشر #مخ) در #نوجوانی #رشد می کند.
#Age-related effects and #sex #differences in #gray matter #density, #volume, #mass, and #cortical #thickness from #childhood to #young #adulthood
پژوهشگران نوروساینس دانشگاه پنسیلوانیا 🇺🇸 در پژوهشی بر اساس ترکیب #بافت شناسی کمّی-MRI که به تازگی منتشر شده است، دریافتند با اینکه #حجم مغز بتدریج از #کودکی به #بزرگسالی کاهش می یابد، اما بر #چگالی ماده خاکستری در دوره #نوجوانی افزوده می شود.
🔬در این پژوهش با استفاده از تکنیک #T1 در #MRI بر 1189 فرد بین 8 تا 23 ساله و از 1625 نقطه مغزی صورت پذیرفت و در آن #چگالی ماده خاکستری، #حجم ماده خاکستری، #جرم ماده خاکستری، و #ضخامت #کرتکس محاسبه شد.
📚نتایج پژوهش نشانگر تفاوت های معنادار #سنی و #جنسی بودند. در حالی که حجم ماده خاکستری و ضخامت کرتکس با افزایش #سن کاهش می یابند، چگالی ماده خاکستری همگام با سن افزایش می یابد، و در عین حال جرم ماده خاکستری کاهش اندکی نشان می دهد. #زنان حجم ماده خاکستری کمتر و چگالی ماده خاکستری بیشتری نسبت به #مردان در سرتاسر مغز خود دارند.
بر اساس نتایج تحلیلی پژوهش حاضر 🔍بنظر می رسد چگالی ماده خاکستری #فنوتیپ اصلی برای سنجش تحول مغزی و #تحول #شناختی است و بنظر می رسد #آسیب های مغزی پیش از نوجوانی بویژه در ماده خاکستری، در نوجوانی قابل جبران باشند.
Abstract
#Developmental #structural #neuroimaging studies in #humans have long described decreases in #gray #matter #volume and #cortical #thickness during #adolescence. Gray matter #density, a measure often assumed to be highly related to volume, has not been systematically investigated in development. We used T1 imaging data collected on the Philadelphia Neurodevelopmental Cohort to study age-related effects and sex differences in four regional gray matter measures in 1189 youths aged 8 to 23 years. Custom #T1 segmentation and a novel high-resolution gray matter #parcellation were used to extract gray matter density (#GMD), gray matter volume (#GMV), gray matter mass (#GMM, defined as GMD * GMV), and cortical thickness (#CT) from 1625 brain regions. #Non-linear models revealed that each modality exhibits unique age-related effects and #sex #differences. While GMV and CT generally decrease with age, GMD increases and shows the strongest age-related effects, while GMM shows slight decline overall. Females have lower GMV but higher GMD than males throughout the brain. Our findings suggest that GMD is a prime #phenotype for assessment of #brain #development and likely #cognition and that #periadolescent gray matter loss may be less pronounced than previously thought. This work highlights the need for #combined #quantitative #histological-MRI studies.
لینک منبع 👇🏻(further reading)👇🏻
http://www.jneurosci.org/content/early/2017/04/21/JNEUROSCI.3550-16.2017
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Age-related effects and #sex #differences in #gray matter #density, #volume, #mass, and #cortical #thickness from #childhood to #young #adulthood
پژوهشگران نوروساینس دانشگاه پنسیلوانیا 🇺🇸 در پژوهشی بر اساس ترکیب #بافت شناسی کمّی-MRI که به تازگی منتشر شده است، دریافتند با اینکه #حجم مغز بتدریج از #کودکی به #بزرگسالی کاهش می یابد، اما بر #چگالی ماده خاکستری در دوره #نوجوانی افزوده می شود.
🔬در این پژوهش با استفاده از تکنیک #T1 در #MRI بر 1189 فرد بین 8 تا 23 ساله و از 1625 نقطه مغزی صورت پذیرفت و در آن #چگالی ماده خاکستری، #حجم ماده خاکستری، #جرم ماده خاکستری، و #ضخامت #کرتکس محاسبه شد.
📚نتایج پژوهش نشانگر تفاوت های معنادار #سنی و #جنسی بودند. در حالی که حجم ماده خاکستری و ضخامت کرتکس با افزایش #سن کاهش می یابند، چگالی ماده خاکستری همگام با سن افزایش می یابد، و در عین حال جرم ماده خاکستری کاهش اندکی نشان می دهد. #زنان حجم ماده خاکستری کمتر و چگالی ماده خاکستری بیشتری نسبت به #مردان در سرتاسر مغز خود دارند.
بر اساس نتایج تحلیلی پژوهش حاضر 🔍بنظر می رسد چگالی ماده خاکستری #فنوتیپ اصلی برای سنجش تحول مغزی و #تحول #شناختی است و بنظر می رسد #آسیب های مغزی پیش از نوجوانی بویژه در ماده خاکستری، در نوجوانی قابل جبران باشند.
Abstract
#Developmental #structural #neuroimaging studies in #humans have long described decreases in #gray #matter #volume and #cortical #thickness during #adolescence. Gray matter #density, a measure often assumed to be highly related to volume, has not been systematically investigated in development. We used T1 imaging data collected on the Philadelphia Neurodevelopmental Cohort to study age-related effects and sex differences in four regional gray matter measures in 1189 youths aged 8 to 23 years. Custom #T1 segmentation and a novel high-resolution gray matter #parcellation were used to extract gray matter density (#GMD), gray matter volume (#GMV), gray matter mass (#GMM, defined as GMD * GMV), and cortical thickness (#CT) from 1625 brain regions. #Non-linear models revealed that each modality exhibits unique age-related effects and #sex #differences. While GMV and CT generally decrease with age, GMD increases and shows the strongest age-related effects, while GMM shows slight decline overall. Females have lower GMV but higher GMD than males throughout the brain. Our findings suggest that GMD is a prime #phenotype for assessment of #brain #development and likely #cognition and that #periadolescent gray matter loss may be less pronounced than previously thought. This work highlights the need for #combined #quantitative #histological-MRI studies.
لینک منبع 👇🏻(further reading)👇🏻
http://www.jneurosci.org/content/early/2017/04/21/JNEUROSCI.3550-16.2017
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Journal of Neuroscience
Age-related effects and sex differences in gray matter density, volume, mass, and cortical thickness from childhood to young adulthood
Developmental structural neuroimaging studies in humans have long described decreases in gray matter volume and cortical thickness during adolescence. Gray matter density, a measure often assumed to be highly related to volume, has not been systematically…
♻️روشی جدید برای تشخیص #طول #عمر
#Precision #Radiology: #Predicting #longevity using feature #engineering and #deep #learning methods in a #radiomics framework
پژوهشگران دانشگاه آدلاید، دانشگاه کوینزلند، و انستیتو تکنیک های پیشرفته لیسبون در پژوهشی که به تازگی منتشر شده است، دریافتند سیستم های هوش مصنوعی قادرتند طول عمر افراد را با مرور #CTاسکن های #اندام های آنان پیش بینی کنند.
در این پژوهش که بر CTاسکن #سینه 48 بیمار صورت گرفت، سیستم های #هوش #مصنوعی (#AI) بر اساس #الگوریتم های #یادگیری #عمیق توانستند با 69 درصد دقت (همانند پیش بینی های معمول پزشکان) احتمال #مرگ #بیمار را در 5 سال آتی پیش بینی کنند. پژوهشگران نتوانستند مشخص کنند که برنامه های هوش مصنوعی دقیقاً بر اساس بررسی کدام بخش از تصاویر CTاسکن پیش بینی را صورت داده اند، اما پیش بینی ها در بیماری های وخیم مزمن (همچون #آمفیزم و بیماری های #قلبی) دقیق تر بود.
Abstract
#Precision #medicine approaches rely on obtaining precise knowledge of the true state of #health of an individual patient, which results from a combination of their #genetic risks and #environmental exposures. This approach is currently limited by the lack of effective and efficient non-invasive medical tests to define the full range of #phenotypic variation associated with individual #health. Such knowledge is critical for improved early intervention, for better #treatment #decisions, and for ameliorating the steadily worsening epidemic of chronic disease. We present proof-of-concept experiments to demonstrate how routinely acquired #cross-sectional #CT #imaging may be used to predict patient #longevity as a proxy for overall individual health and disease status using #computer image analysis techniques. Despite the limitations of a modest dataset and the use of off-the-shelf machine learning methods, our results are comparable to previous ‘manual’ clinical methods for longevity prediction. This work demonstrates that #radiomics techniques can be used to extract #biomarkers relevant to one of the most widely used outcomes in #epidemiological and #clinical research – #mortality, and that #deep #learning with convolutional #neural #networks can be usefully applied to radiomics research. Computer image analysis applied to routinely collected medical images offers substantial potential to enhance #precision #medicine initiatives.
لینک منبع 👇🏻(further reading)👇🏻
https://www.nature.com/articles/s41598-017-01931-w
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Precision #Radiology: #Predicting #longevity using feature #engineering and #deep #learning methods in a #radiomics framework
پژوهشگران دانشگاه آدلاید، دانشگاه کوینزلند، و انستیتو تکنیک های پیشرفته لیسبون در پژوهشی که به تازگی منتشر شده است، دریافتند سیستم های هوش مصنوعی قادرتند طول عمر افراد را با مرور #CTاسکن های #اندام های آنان پیش بینی کنند.
در این پژوهش که بر CTاسکن #سینه 48 بیمار صورت گرفت، سیستم های #هوش #مصنوعی (#AI) بر اساس #الگوریتم های #یادگیری #عمیق توانستند با 69 درصد دقت (همانند پیش بینی های معمول پزشکان) احتمال #مرگ #بیمار را در 5 سال آتی پیش بینی کنند. پژوهشگران نتوانستند مشخص کنند که برنامه های هوش مصنوعی دقیقاً بر اساس بررسی کدام بخش از تصاویر CTاسکن پیش بینی را صورت داده اند، اما پیش بینی ها در بیماری های وخیم مزمن (همچون #آمفیزم و بیماری های #قلبی) دقیق تر بود.
Abstract
#Precision #medicine approaches rely on obtaining precise knowledge of the true state of #health of an individual patient, which results from a combination of their #genetic risks and #environmental exposures. This approach is currently limited by the lack of effective and efficient non-invasive medical tests to define the full range of #phenotypic variation associated with individual #health. Such knowledge is critical for improved early intervention, for better #treatment #decisions, and for ameliorating the steadily worsening epidemic of chronic disease. We present proof-of-concept experiments to demonstrate how routinely acquired #cross-sectional #CT #imaging may be used to predict patient #longevity as a proxy for overall individual health and disease status using #computer image analysis techniques. Despite the limitations of a modest dataset and the use of off-the-shelf machine learning methods, our results are comparable to previous ‘manual’ clinical methods for longevity prediction. This work demonstrates that #radiomics techniques can be used to extract #biomarkers relevant to one of the most widely used outcomes in #epidemiological and #clinical research – #mortality, and that #deep #learning with convolutional #neural #networks can be usefully applied to radiomics research. Computer image analysis applied to routinely collected medical images offers substantial potential to enhance #precision #medicine initiatives.
لینک منبع 👇🏻(further reading)👇🏻
https://www.nature.com/articles/s41598-017-01931-w
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
Nature
Precision Radiology: Predicting longevity using feature engineering and deep learning methods in a radiomics framework
Scientific Reports - Precision Radiology: Predicting longevity using feature engineering and deep learning methods in a radiomics framework
🔹 جراحی صرع: شکاف بین شواهد و عمل
🔹 پژوهشگران دانشگاه کلگری، و دانشگاه مونترال کانادا، یونیورسیتی کالج لندن انجمن صرع انگلستان، و انجمن صرع هلند در یک پژوهش مروری مشترک به بررسی ابعاد مختلف جراحی صرع در بیماران پرداختند.
نتایج و راهبردهای این تحقیق را در لینک زیر بخوانید👇
https://ipbses.com/epilepsy-surgery
#جراحی_مغز_و_اعصاب #جراحی_صرع #داروی_ضدصرع #داروی_ضدتشنج #مرور_سیستماتیک #صرع_مقاوم_به_دارو #صرع_مقاوم_به_درمان #سندروم_پیش‌نشانه‌ای_صرع #صرع_لوب_گیجگاهی #صرع_لوب_آهیانه‌ای
#longitudinal_studies #epilepsy_surgery #randomized_controlled_trials #drug_resistant_epilepsy #observational_studies #CT_scan, #MRI, #QEEG
#دکترامیرمحمد_شهسوارانی
#انستیتوعلومروانیزیستیاجتماعیاقتصادی
#DrAmirMohammadShahsavarani #InstituteofPsychoBioSocioEconomicSciences
🍃🌹🌸💐🌸🌹🍃
🔹 پژوهشگران دانشگاه کلگری، و دانشگاه مونترال کانادا، یونیورسیتی کالج لندن انجمن صرع انگلستان، و انجمن صرع هلند در یک پژوهش مروری مشترک به بررسی ابعاد مختلف جراحی صرع در بیماران پرداختند.
نتایج و راهبردهای این تحقیق را در لینک زیر بخوانید👇
https://ipbses.com/epilepsy-surgery
#جراحی_مغز_و_اعصاب #جراحی_صرع #داروی_ضدصرع #داروی_ضدتشنج #مرور_سیستماتیک #صرع_مقاوم_به_دارو #صرع_مقاوم_به_درمان #سندروم_پیش‌نشانه‌ای_صرع #صرع_لوب_گیجگاهی #صرع_لوب_آهیانه‌ای
#longitudinal_studies #epilepsy_surgery #randomized_controlled_trials #drug_resistant_epilepsy #observational_studies #CT_scan, #MRI, #QEEG
#دکترامیرمحمد_شهسوارانی
#انستیتوعلومروانیزیستیاجتماعیاقتصادی
#DrAmirMohammadShahsavarani #InstituteofPsychoBioSocioEconomicSciences
🍃🌹🌸💐🌸🌹🍃