脑网络的可塑性——随时都在发生

640?wx_fmt=jpeg

来源:神经科技前沿

神经元的突起是神经元胞体的延伸部分,由于形态结构和功能的不同,可分为树突(dendrite)和轴突(axon);树突是从胞体发出的一至多个突起,呈放射状。


轴突每个神经元只有一根胞体发出轴突的细胞 质部位多呈贺锥形,称轴丘,其中没有尼氏体,主要有神经原纤维分布。

640?wx_fmt=jpeg

神经纤维的连接方式

640?wx_fmt=jpeg

DTI神经纤维束——脑网络连接

640?wx_fmt=png

640?wx_fmt=png

树突

树突是从胞体发出的一至多个突起,呈放射状。胞体起始部分较粗,经反复分支而变细,形如树枝状。树突的结构与脑体相似,胞质内含有尼氏体,线粒体和平行排列的神经原纤维等,但无高尔基复合体。

640?wx_fmt=jpeg640?wx_fmt=jpeg

在特殊银染标本上,树突表面可见许多棘状突起,长约0.5~1.0μm,粗约0.5~2.0μm,称树突棘,是形成突触的部位。一般电镜下,树突棘内含有数个扁平的囊泡称棘器。树突的分支和树突棘可扩大神经元接受刺激的表面积。树突具有接受刺激并将冲动传入细胞体的功能。

640?wx_fmt=jpeg

树突棘也在根据个人不同的学习、认知、用脑习惯、运动等不断在改变着。

640?wx_fmt=jpeg

640?wx_fmt=png

树突棘

640?wx_fmt=jpeg

蒲慕明院士指出,树突棘时时刻刻都在变动,


轴突


每个神经元只有一个轴突,发出轴突的胞质部位多呈圆锥形,称轴丘,其中没有尼氏体,主要有神经原纤维分布。下图为轴突的脑白质纤维束。下图主要显示的是投射纤维和小脑中脚。

640?wx_fmt=png

轴突自胞体伸出后,开始的一段,称为起始段,长约 15~25μm,通常较树突细,粗细均一,表面光滑,分支较少,无髓鞘包卷。

640?wx_fmt=jpeg

离开胞体一定距离后,有髓鞘包卷,即为有髓神经纤维。轴突末端多呈纤细分支称轴突终未,与其他神经元或效应细胞接触。轴突表面的细胞膜,称轴膜,轴突内的胞质称 轴质或轴浆。轴质内有许多与轴突长袖平行的神经原纤维和细长的线粒体,但无尼氏体和高尔基复合体,因此,轴突内不能合成蛋白质。轴突成分代谢更新以及突触小泡内神经递质,均在胞体内合成,通过轴突内微管、神经丝流向轴突末端。

640?wx_fmt=jpeg


电镜下,从轴丘到轴突全长可见有许多纵向平行排列的神经丝和神经微管,以及连续纵行的长管状的滑面内质网和一些多泡体等。在高倍电镜下,还可见在神经丝、神经微管之间均有极微细纤维网络连接,这种横向连接的极细纤维称为微小梁起支持作用。轴突末端还有突触小泡。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

轴突运输神经元的胞体和轴突在结构和功能上是一个整体,神经元代谢活动的物质多在胞体形成,神经元的整体生理活动物质代谢是由轴浆不断流动所实现。

640?wx_fmt=jpeg

研究证明:神经元胞质自胞体向轴突远端流动,同时从轴突远端也向胞体流动。这种方向不同、快慢不一的轴质双向流动称为轴突运输。从胞体向轴突远端的运输,由于运输方向与轴质流动的方向一致故称为倾向运输,这种运输有快慢之分:快速运输,其速度为每天200~500mm,是将神经元胞体合成的神经递质的各类小泡和有关的酶类等经长管状的滑面内质网和沿微管表面流向轴突末端,待神经冲动时释放。慢速运输也称轴质流动,其速度为每天1~4mm,主要是将神经元胞体合成的蛋白质,不断地向轴突末端流动,以更新轴质的基质、神经丝以及微管等结构蛋白质。逆向运输是轴突末端代谢产物和轴突末端通过人胞作用摄取的蛋白质、神经营养因子以及一些小分子物质等由轴突末端运向胞体,运输方向与轴质流动相反,故称为逆向运输,速度为每天l~4mm,这种运输主要是由多泡体实现。

640?wx_fmt=jpeg

多泡体是一个大泡内含许多小泡,小泡内分别含有代谢产物或摄入的神经营养因子。代谢产物被逆向运输至胞体后,经溶酶体的作用,可分解消化更新,神经营养因子到胞体后,可促进神经元的代谢和调节神经元的生理功能。不论是顺向或逆向运输,均由线粒体提供ATP供能所实现。在某种原因而感染时,有些病毒或毒素由逆向运输,转动到神经元的脑体内而致病。轴突运输是神经元内各种细胞器生理功能的重要体现。

640?wx_fmt=jpeg

轴突的主要功能是将神经冲动由胞体传至其他神经元或效应细胞。轴突传导神经冲动的起始部位,是在轴突的起始段,沿轴膜进行传导。

640?wx_fmt=jpeg

经传导,即神经冲动的传导过程,是电化学的过程,是在神经纤维上顺序发生的电化学变化。神经受到刺激时,细胞膜的透性发生急剧变化。用同位素标记的离子做试验证明,神经纤维在受到刺激(如电刺激)时,Na+的流入量比未受刺激时增加20倍,同时K+的流出量也增加9倍,所以神经冲动是伴随着Na+大量流入和K+的大量流出而发生的。

640?wx_fmt=gif

640?wx_fmt=jpeg640?wx_fmt=jpeg

神经在内在或外在因素的影响下,能够转变到另外一个构造态或功能态,具有很好的可塑性,来适应机体的需要。如下图为脑膜瘤患者术前、术后对比分析。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

术后复查

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png


内容简介


大脑的解剖结
构与功能结构复杂,并且神经纤维束的走行、分布与行为、功能的关系,一直是脑科学关注的核心问题,也是临床神经病学定位和定性的基础。弥散张量成像(DTI)是唯一可显示活体脑白质纤维束的无创性成像技术,能够立体、直观的显示纤维束的走形变化。


《DTI神经纤维束结构与功能》一书,详细讲述了大脑内部的微观结构,详细讲述了大脑神经纤维束的走形、毗邻和颈髓内的走形关系。并用大量病例分析纤维束受损情况及新生儿到十岁小孩的神经纤维束对比分析等,从而为了解每个神经纤维束在运动、感觉、视觉信息的整合、语言、习惯、情绪、行为、认知、记忆、整合等功能中打下基础。对脑功能精准定位和临床制定诊疗计划有重要的指导意义,用“彩色线条”解释神经系统疾病导致神经纤维束受损情况,第二版新增了病例,丰富了纤维束细节的走形及毗邻,例如海马纤维束、皮质脊髓束的成分分析、颈髓神经纤维束成像等(增加了60余页)。


在神经外科、神经内科、康复科、影像科、先天发育畸形、精神科、人工智能等多个领域有着广泛的应用前景。


640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png


英文版编译名单及合作单位

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg


通过DTI的深入研究,也发现了一些以往大脑内部没有提及的纤维束,本书与北大医学部韩鸿宾教授、杨军教授等国内知名专家合作,汇聚国内神经内科、神经外科、影像科、康复科、精神科、解剖学科、儿科、中科院人工智能研究所等多学科专家,将此书翻译成英文版,给每个纤维束做了命名,近期即将出版,这将为临床的精准诊断、精准治疗打下基础。


皮质脊髓束的椎体交叉视频显示,部分交叉到对侧,部分不交叉,部分人群,该纤维束不完全对称。

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png


640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg


640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png


大脑的美,可以用“震撼”这个词来形容,一点也不过分。大脑内部有很多神经纤维束进行内部或外部的连接,主要包括联合纤维,如胼胝体、前联合、穹隆联合、后联合;联络纤维主要包括上下纵束、上下枕额束、钩束、弓形束、长短弓状纤维、短弓状纤维等,投射纤维主要包括皮质脊髓束、皮质小脑束、皮质脑桥束、丘脑中央辐射、皮质核束等,另外通过DTI的深入研究,也发现了一些以往大脑内部没有提及的纤维束,并予以了暂时命名,比如皮质齿状核束、胼胝体侧束、桥连纤维、胼连纤维、交叉的皮质小脑束等。这些在课程内部均做详细介绍,配合视频以便理解。结合神经纤维束解剖,课程内附有一些病例,观察肿瘤、脑炎、脑白质剪切伤、梗死、出血、脑白质脱髓鞘、脑积水、脑先天发育畸形、脑瘫、脑缺血缺氧、烟雾病、小儿脑网络、颈髓挫伤、脊髓空洞症、颈椎间盘突出、酗酒、遗传疾病等对大脑神经纤维束造成的损害评估。从而做到精准诊断,为临床的精准治疗打下基础。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/493638.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

KAZE论文研读

KAZE是发表在ECCV2012的一种特征点检测算法,相比于SIFT和SURF,KAZE建立的高斯金字塔是非线性的尺度空间,采用加性算子分裂算法(Additive Operator Splitting, AOS)来进行非线性扩散滤波。一个很显著的特点是在模糊图像的同时还能保留边缘细节…

简单的线性模型实现tensorflow权重的生成和调用,并且用类的方式实现参数共享

首先看文件路径,line_regression是总文件夹,model文件夹存放权重文件, global_variable.py写了一句话. save_path./model/weight 权重要存放的路径,以weight命名. lineRegulation_model.py代码 import tensorflow as tf "…

comparing ORB and AKAZE

文章全称是《Comparing ORB and AKAZE for visual odometry of unmanned aerial vehicles》。这是一篇来自巴西的文章,没有在百度文库中找到,是在其他博客中给出的链接得到的。从链接的URL可以看出这是一篇来自会议CCIS云计算与智能系统国际会议的文章。…

利用 CRISPR 基因编辑技术,人类正在做七件“疯狂”的事

来源:36Kr编译:喜汤很少有哪种现代科学创新能像CRISPR基因编辑技术一样影响深远。有了它,科学家们可以精确地改变任何细胞的DNA。CRISPR技术成为新宠,部分原因是它比早期基因编辑技术更容易使用。尽管CRISPR还没有彻底大展身手&am…

吴恩达作业3:利用深层神经网络实现小猫的分类

利用4层神经网络实现小猫的分类,小猫训练样本是(209,64*64*312288),故输入节点是12288个,隐藏层节点依次为20,7,5,输出层为1。 首先看文件路径,dnn_utils_v2.py代码是激活…

A-KAZE论文研读

AKAZE是KAZE的加速版本。KAZE在构建非线性空间的过程中很耗时,在AKAZE中将Fast Explicit Diffusion(FED)加入到金字塔框架可以dramatically speed-up。在描述子方面,AKAZE使用了更高效的Modified Local Difference Binary(M-LDB),可以从非线性…

和你抢“饭碗”的40家服务机器人企业大盘点!

来源:物联网智库摘要:本文将对国内近40家服务机器人企业进行汇总介绍,所选企业在其相应版块活跃度较高。从三个大类进行了细分盘点。国家机器人联盟(IFR)根据应用环境将机器人分为了工业机器人和服务机器人。服务机器人…

YOLO9000

YOLO9000是YOLO的第三个版本。前两个版本是YOLO v1,YOLO v2,在CVPR2017的文章《Better,Faster,Stronger》中的前半部分都是对前两个版本的介绍,新的内容主要在Stronger部分。YOLO9000中的9000指的是YOLO可以对超过9000种图像进行分类。 Bett…

吴恩达作业4:权重初始化

权重初始化的 正确选择能够有效的避免多层神经网络传播过程中的梯度消失和梯度爆炸问题,下面通过三个初始化的方法来验证: sigmoid导数函数:最大值小于0.25,故经过多层反向传播以后,会导致最初的层,权重无…

先发制人!Waymo将首推商用载人自动驾驶服务,Uber们怕不怕?

编译:费棋来源:AI科技大本营“真的,真的很难。”11 月举办的一场会议上,Alphabet 旗下 Waymo CEO John Krafcik 对做自动驾驶汽车技术的艰难不无感慨。在他看来,未来几十年内,自动驾驶汽车将一直存在限制&a…

利用ORB/AKAZE特征点进行图像配准

Kp1,kp2都是list类型,两幅图都是500个特征点。这和ORB论文中的数据是一样的。4.4章节 Matches也是list类型,找到325个匹配对。 AKAZE文章中提到一个指标:MS(matching score)# Correct Matches/# Features, 如果overlap area error 小于40%…

吴恩达作业5:正则化和dropout

构建了三层神经网络来验证正则化和dropout对防止过拟合的作用。 首先看数据集,reg_utils.py包含产生数据集函数,前向传播,计算损失值等,代码如下: import numpy as np import matplotlib.pyplot as plt import h5py …

十年之后,数字孪生将这样改变我们的工作与生活

来源:资本实验室数字孪生是近几年兴起的非常前沿的新技术,简单说就是利用物理模型,使用传感器获取数据的仿真过程,在虚拟空间中完成映射,以反映相对应的实体的全生命周期过程。在未来,物理世界中的各种事物…

什么是图像

图像,尤其是数字图像的定义,在冈萨雷斯的书中是一个二维函数f(x,y),x,y是空间平面坐标,幅值f是图像在该点处的灰度或者强度。下面通过OpenCV中最常用的图像表示方法Mat来看一下在计算机中是怎么定义图像的。 Mat的定义 OpenCV在2.0之后改用…

吴恩达作业6:梯度检验

梯度检验的目的就是看反向传播过程中的导数有没有较大的误差,首先看Jtheta*x的梯度检验:代码如下 import numpy as np """ Jx*theta的前向传播 """ def forward_propagation(x,theta):Jx*thetareturn J ""&quo…

10年后的计算机会是怎样的?

作者:孙鹏(剑桥大学计算机系博士)来源:新原理研究所上个世纪三十年代,邱奇和图灵共同提出了通用计算机的概念[1]。在接下来的十多年里,因为战争需要下的国家推动,计算机得以很快从理论发展成为实…

什么是图像变换

还是看OpenCV官方手册,我觉得这样可以同时学习如何使用函数和如何理解一些基本概念。 首先,这里的几何变换geometrical transformations是针对2D图像而言的,不改变图像内容而是将像素网格变形deform the pixel grid,映射到目标图…

MSRA20周年研究趋势文章|图像识别的未来:机遇与挑战并存

文/微软亚洲研究院 代季峰 林思德 郭百宁识别图像对人类来说是件极容易的事情,但是对机器而言,这也经历了漫长岁月。在计算机视觉领域,图像识别这几年的发展突飞猛进。例如,在 PASCAL VOC 物体检测基准测试中,检测器的…

吴恩达作业7:梯度下降优化算法

先说说BatchGD用整个训练样本进行训练得出损失值,SGD是只用一个训练样本训练就得出损失值,GD导致训练慢,SGD导致收敛到最小值不平滑,故引入Mini-batch GD,选取部分样本进行训练得出损失值, 普通梯度下降算…

什么是单应矩阵和本质矩阵

知乎上面的大牛还是很多,直接搜Homography或者单应矩阵就能得到很多大神的回答,可能回答中的一句话或者一个链接就够自己学习很久。 其实在之前研究双目视觉的时候就接触了对极几何,通过视觉就可以得到物体的远近信息,这也是特斯…