君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
光谱分析中空白与检出限的讨论.pdf
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口您现在的位置：&&>&&>&&>&&>&正文
作者：幸福的味道
来源：互联网
关键词：新型多光谱磁共振成像,\质体积
帕金森病理发展的轨迹探索的研究仍在进行中。近期，一项在美国麻省理工学院和马萨诸塞州总医院帕金森病研究中心进行的一项病例对照研究表明，帕金森病患者黑质致密部（SNc）神经变性早于基底前脑（BF），并且建立了一种新型多光谱磁共振成像技术用于追踪PD变性的生物学标志物。
该研究入选了29例PD患者（Hoehn-Yahr分期[H＆Y]1-3期）和27例相匹配的健康对照者，使用新型多光谱结构磁共振（MR）成像工具来衡量的黑质致密部（SNc）和基底前脑（BF）以验证帕金森病（PD）患者黑质致密部（SNc）发生神经变性早于胆碱能基底前脑（BF）。
研究者对每一例受试者进行多回波T1加权，多回波质子密度，T2加权，T2加权液体衰减反转恢复（FLAIR）序列等磁共振检查。对于SNc，创建了一个多重回波的平均加权值，提供高比率对比噪声的单个体积。使用T2加权FLAIR图像可视化观察BF。对于每一例受试者，手动标记这两个结构，并计算出它们的体积。
研究结果表明，与对照组相比，13例H-Y1期的PD患者SNc体积明显减小，16例H-Y2-3期患者则表现少量额外的体积减小。与此相反，BF体积的丢失则发生在疾病的后期，H-Y2-3期患者比对照者和H-Y1期患者体积丢失更明显。H-Y1期患者与对照组没有显着性差异。
因此，作者在结论中写到，我们的研究结果支持PD的神经病理学发展轨迹，并建立了新的多光谱磁共振成像方法作为追踪SNc和BF变性的生物学标志物。 ()
Substantia Nigra Volume Loss Before Basal Forebrain Degeneration in Early Parkinson Disease
David A. Ziegler, PhD; Julien S. Wonderlick, MD; Paymon Ashourian, PhD; Leslie A. Hansen, BS; Jeremy C. Young, BS; Alex J. Murphy, BS; Cecily K. Koppuzha, BS; John H. Growdon, MD; Suzanne Corkin, PhD
Objective To test the hypothesis that degeneration of the substantia nigra pars compacta (SNc) precedes that of the cholinergic basal forebrain (BF) in Parkinson disease (PD) using new multispectral structural magnetic resonance (MR) imaging tools to measure the volumes of the SNc and BF. Design Matched case-control study. Setting The Athinoula A. Martinos Imaging Center at the McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT), and the Massachusetts General Hospital/MIT Morris Udall Center of Excellence in Parkinson Disease Research. Patients Participants included 29 patients with PD (Hoehn and Yahr [H&Y] stages 1-3) and 27 matched healthy control subjects. Main Outcome Measures We acquired multiecho T1-weighted, multiecho proton density, T2-weighted, and T2-weighted fluid-attenuated inversion recovery (FLAIR) sequences from each participant. For the SNc, we created a weighted mean of the multiple echoes, yielding a single volume with a high ratio of contrast to noise. We visualized the BF using T2-weighted FLAIR images. For each participant, we manually labeled the 2 structures and calculated their volumes. Results Relative to the controls, 13 patients with H&Y stage 1 PD had significantly decreased SNc volumes. Sixteen patients with H&Y stage 2 or 3 PD showed little additional volume loss. In contrast, the BF volume loss occurred later in the disease, with a significant decrease apparent in patients having H&Y stage 2 or 3 PD compared with the controls and the patients having H&Y stage 1 PD. The latter group did not differ significantly from the controls. Conclusion Our results support the proposed neuropathological trajectory in PD and establish novel multispectral methods as MR imaging biomarkers for tracking the degeneration of the SNc and BF.
(责任编辑：haozongdi)
小编提示：87%用户都在上阅读，扫描立刻下载!
没有相关生物频道
欢迎行业评论、发现、小道消息、官方爆料、采访约稿
订阅我们的资讯
关注我们新浪微博
中国的市场的确存在很大的隐患，干细胞行业是个专业性要求较高的行业
个体化医疗是未来医学研究与应用的趋势，而个体化治疗的关键在基于生物分子标志物的诊疗策略
中国疫苗市场的巨大潜力，吸引了世界排名最领先的跨国疫苗制造巨头前来淘金。工具类服务
编辑部专用服务
作者专用服务
数据挖掘方法在光谱巡天数据处理与分析中的应用
天文是一门高度依赖于观测的科学，而随着观测仪器设备以及数据收集能力的大幅度提高，大量的巡天项目会产生海量的巡天数据。如何对这些海量的数据进行有效的处理与分析，是天文学研究中一个重要的研究内容。本文利用数据挖掘方法来解决LAMOST巡天数据处理与分析中的实际问题，主要工作有:　　1.总结数据挖掘方法在巡天数据中的相关应用。　　受观测设备及观测条件的限制，传统的天文学及天体物理学研究基本都是基于小样本数据开展的。而随着望远镜观测设备及观测能力的不断提高，越来越多的望远镜及观测设备投入到巡天观测中。随着这些巡天项目的不断进行，越来越多的数据积攒下来。同时随着多波段巡天项目的相继开展，巡天数据也变的越来越复杂。如何对如此海量的复杂数据进行有效的处理和分析，是天文学和相关科学领域面临的一个亟需解决的问题。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式。结合相关背景知识，数据挖掘方法已经被大量应用于对海量巡天数据的处理与分析中去。本文在简单介绍不同类型的巡天项目基础上，系统总结了数据挖掘方法在巡天数据处理及分析中的应用。　　2.重构LAMOST光谱分析软件中的恒星分类模板库。　　LAMOST光谱分析软件的主要目的是对LAMOST巡天中观测到的光谱进行分类和物理参数测量。通过和模板光谱进行匹配，观测到的恒星光谱会被分成不同的子类。因此，恒星分类的性能很大程度上依赖于模板光谱的质量。本文工作中构建出来一个新的LAMOST恒星分类模板库，用以提高当前LAMOST恒星的分类精度与可靠性。约100万条恒星从LAMOST DR1数据筛选出来来构建新的恒星模板。这些光谱按照两个不同的判据分成了233个分组，每个分组按照以下三个步骤来构建模板:1）首先利用局部孤立性概率算法(Local Outlier Probability，简写LoOP)来去掉离群数据，然后对所有剩余光谱进行主成分分析（Principle Component Analysis，简写PCA）。2）所有的观测光谱均利用前面得到的前几个主成分进行重构;3）每个分组中，所有剩余光谱通过加权平均得到一条模板光谱。按照这三个步骤，成功构建出216条模板光谱。通过人眼检查这些模板光谱，去掉了其中的29条低质量光谱。然后，通过人眼检查和三个恒星模板库的匹配结果对剩余的187条模板光谱进行类型标记。同时在这个过程中，去掉了10条难以分类的模板光谱。最终，通过和现有模板库进行融合，得到了一个包含183条模板光谱（61个不同的子类型）的恒星分类模板库。将该光谱库应用到LAMOST实际光谱的分析中，结果表明新模板大大的提高了恒星分类精度。　　3.搜寻特殊、稀少及未知天体光谱。　　大规模光谱巡天将产生海量的光谱数据，为搜寻一些奇异甚至于未知类型的光谱提供了机会。本文提出了一种新的离群数据挖掘方法:蒙特卡罗局部孤立性因子（Monte Carlo Local Outlier Factor，简写MCLOF）。该方法可用于在海量的光谱巡天数据集中搜寻异常及稀少的光谱。MCLOF方法通过给每一条光谱标记一个数值（离群因子）来作为异常及稀少光谱的标记，进而快速、自动并有效的挖掘其中的离群数据。局部孤立性因子（Local Outlier Factor，简写LOF）表明了一条光谱相对于其它光谱异常和稀少的程度。蒙托卡罗方法通过每次迭代中随机选取一个子样本，然后综合每次迭代的结果计算全局的局部孤立性因子。将本文提出的方法应用于SDSS DR8中接近65万条恒星光谱中，按照信噪比大于3、离群因子大于0.85的标准共筛选出37033条离群数据。离群数据中包括发射线恒星、双星、碳星及连续谱异常的恒星等。结果表明本文方法可以有效的从海量巡天光谱数据中发现这些异常的恒星光谱。此外，一些相对稀少而且有趣的光谱也被挖掘出来，这表明该方法同样可以适用于发现一些稀少甚至于未知类型的光谱。该方法不仅只适用于光谱巡天数据，同样也适用于其他类型巡天的数据中。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社