🧠 چند سالی می‌شه که از وقتی Adaptive DBS اومد، ما فقط از دور نگاهش می‌کردیم…
با ذوق، با حسرت، با هزار تا سؤال توی سرمون. پروژه‌های خارجی، دیتاهایی که دست ما نبود، و یه آرزوی قدیمی:
«کاش یه روز ما هم بتونیم این سیگنال‌ها رو خودمون تحلیل کنیم…»

⭐️ و بالاخره اون روز رسید…
حدود شش ماه پیش، برای اولین بار توی ایران، عمل Adaptive DBS با دستان توانمند استاد پرورش و استاد روحانی انجام شد.

🔥 و امروز، بعد از شش ماه، کیس دوم انجام شد…
اما این بار، داستان یه فرق اساسی داشت؛ یه فرق خیلی بزرگگگگگ

💡 توی عمل دوم، نه‌تنها از پیشرفته‌ترین نوع تراشه استفاده شد، بلکه یک تراشه‌ی کاملاً جدید، مبتنی بر هوش مصنوعی هم وارد ماجرا شد؛ تراشه‌ای که حاصل یک پروژه‌ی مشترک بین تیم ما و دانشگاه UCL انگلستانه و حالا کنار سیستم Adaptive DBS داره سیگنال‌های مغزی رو تحلیل می‌کنه.

جایی که مهندسی، علم، و رویاها به هم رسیدن.

✨ امروز که اینجا ایستادیم، از ته دل ممنونیم از اساتیدی که از روز اول به ما و آرزوهامون ایمان داشتن، کنارمون موندن، و اجازه دادن رویا فقط رویا نمونه.

❤️ امیدواریم یه روز بتونیم با کنار هم گذاشتن مهندسی و پزشکی، امیدِ آدم‌های بیشتری باشیم چون این تازه شروع راهه


———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

🎓 دوره جامع اصول نوروآناتومی مقطعی و نوروایمیجینگ بالینی


🧠 چرا یادگیری نوروآناتومی و نوروایمیجینگ با رویکرد کاربردی اینقدر حیاتیه؟

بیایید صادقانه باهم حرف بزنیم. وقتی پای تشخیص و درمان بیماری‌های عصبی در میون باشه، نمی‌تونیم فقط با دانش تئوری از پس کار بربیایم. مغز، پیچیده‌ترین ارگان بدن انسانه و درک دقیق آناتومی و نحوه تصویربرداریش، کلید موفقیت در این حوزه‌ست.

🎯 تشخیص دقیق‌تر = درمان بهتر
وقتی آناتومی مغز رو به خوبی بشناسید و بتونید تصاویر رادیولوژیک رو درست تفسیر کنید، می‌تونید:
🔣 محل دقیق تومورها و ضایعات رو مشخص کنید
🔣 اندازه و گسترش بیماری رو ارزیابی کنید
🔣 تأثیر ضایعه روی نواحی مجاور رو پیش‌بینی کنید
🔣 در شرایط اورژانسی، تصمیم‌گیری سریع‌تر و دقیق‌تر داشته باشید

🔬 درمان هدفمند و کم‌خطرتر
با دانش عمیق نوروآناتومی:
🔣 جراحی‌های مغزی با کمترین آسیب به بافت سالم انجام می‌شه
🔣 برنامه‌ریزی درمانی دقیق‌تر و شخصی‌سازی شده می‌شه
🔣 عوارض جانبی کاهش پیدا می‌کنه
🔣 نتایج درمانی بهبود قابل توجهی پیدا می‌کنه

📝 فهم عملکرد مغز در سطح عمیق‌تر
نوروایمیجینگ فقط برای دیدن تومور نیست! این دانش بهتون کمک می‌کنه:
🔣 ارتباط بین نواحی مختلف مغز رو درک کنید
🔣 نقش هر ناحیه در فرآیندهای شناختی، رفتاری و عاطفی رو بشناسید
🔣 مسیرهای عصبی رو دنبال کنید
🔣 تأثیر بیماری‌های عصبی روی عملکرد مغز رو پیش‌بینی کنید

📊 پایه‌ای برای تحقیقات پیشرفته
بدون درک دقیق نوروآناتومی:
🔣 مدل‌های تحقیقاتی غیرقابل اعتماد می‌شن
🔣 نتایج مطالعات علمی قابل تفسیر نیستن
🔣 پیشرفت در علوم اعصاب متوقف می‌شه

📌 اطلاعات دوره:
📆 شروع دوره: ۱۸ دی‌ماه ۱۴۰۴
⏰ زمان برگزاری: پنج‌شنبه‌ها، ساعت ۱۱ الی ۱۴
⌛️ مدت دوره: ۱۲ تا ۱۴ هفته (زمستان و بهار ۱۴۰۴)
📌 محل برگزاری: بیمارستان سینا، تهران

🖥 شیوه برگزاری:
▶️ حضوری در بیمارستان سینا
🔴 آنلاین با امکان دسترسی به ضبط جلسات
🎙 انعطاف‌پذیری کامل برای یادگیری آفلاین
🔖امکان ثبت‌نام به صورت سکشنال و یا جلسه محور


📚📖 سرفصل‌های دوره:
بخش نوروآناتومی:
🔹 قشر مخ و ماده سفید
🔹 ناحیه سلار و سوپراسلار
🔹 استخوان تمپورال و زاویه سربلوپونتین
🔹 حفره خلفی جمجمه
🔹 سیستم بطنی
🔹 بینی، سینوس‌ها و قاعده قدامی جمجمه
🔹 نخاع و ستون مهره‌ای
🔹 آناتومی عروقی و عملکردی
بخش نوروایمیجینگ:
🔹 فیزیک MRI و سکانس‌های پیشرفته
🔹 CT و CTA در شرایط اورژانسی
🔹 تصویربرداری تومورهای مغزی
🔹 تصویربرداری بیماری‌های عروقی و التهابی
🔹 تصویربرداری مولکولی و عملکردی
🔹 هوش مصنوعی در نوروایمیجینگ

👥 این دوره برای چه کسانیه؟

این دوره به طور ویژه برای افراد زیر طراحی شده:
✔️ رزیدنت‌های نوروسرجری
✔️ رزیدنت‌های نورولوژی
✔️ رزیدنت‌های رادیولوژی
✔️ پزشکان عمومی علاقه‌مند به علوم اعصاب
✔️ محققین و دانشجویان نوروساینس
✔️ متخصصین جوان و همکاران در ابتدای مسیر حرفه‌ای

💰هزینه ثبت‌نام:
هزینه دوره: ۵,۰۰۰,۰۰۰ تومان
🎁 تخفیف ویژه رزیدنت‌ها و دانشجویان:
۴۰٪ تخفیف برای رزیدنت‌های دانشگاه‌های علوم پزشکی تهران و ایران

۲۰٪ تخفیف برای رزیدنت‌های دانشگاه‌های علوم پزشکی دیگر و دانشگاه‌های وزارت علوم

ثبت‌نام و اطلاعات بیشتر:
🔵📞از طریق واتساپ و یا تلگرام با شماره: ۰۹۳۰۱۰۷۵۷۰۰

چرا باید در این دوره شرکت کنید؟
📈 آموزش عملی و کاربردی با تمرکز روی موارد بالینی واقعی
👨‍⚕️👩‍⚕️ اساتید مجرب با سال‌ها تجربه بالینی و آموزشی
🌎 محتوای به‌روز مطابق با آخرین دستاورد‌های علمی
🎮 انعطاف‌پذیری در شیوه شرکت (حضوری یا آنلاین)
💻 دسترسی به ضبط جلسات برای مرور و یادگیری بهتر
✍️ گواهی معتبر پس از اتمام دوره
📇 فرصت شبکه‌سازی با اساتید و همکاران

🔔 فرصت رو از دست ندید!
ظرفیت محدود - ثبت‌نام تا ۱۵ دی‌ماه

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

✈️ این تصویر در واقع نقشهٔ راه نوشتن یک Research Proposal هست.

از همون لحظه‌ای که می‌گی «می‌خوام روی این موضوع کار کنم» تا جایی که قانع می‌کنی استاد یا داور که «این پژوهش ارزش انجام دادن داره».

بیایم مرحله‌به‌مرحله جلو بریم 🌱

⸻

1. Introduction | مقدمه

❓ اینجا جواب می‌دی به: چی؟ چرا؟ چطوری؟

تو مقدمه باید:
• بگی موضوعت چیه
• این موضوع چرا مهمه و چه مشکلی رو قراره حل کنه
• خیلی خلاصه بگی قراره چیکار کنی

در واقع این بخش اولین برخورد خواننده با کارته.
اگه این قسمت جذاب و شفاف نباشه، بقیه متن هم دیده نمی‌شه.

💡 فکر کن داری به یکی توضیح می‌دی «موضوع پایان‌نامه‌ات چیه؟»

⸻

2. Literature Review | مرور مقالات

❓ اینجا جواب می‌دی به: قبلاً چی کار شده و چرا کارت لازمه؟

تو این بخش:
• مقاله‌ها و کارهای قبلی مرتبط با موضوعت رو بررسی می‌کنی
• روش‌هایی که بقیه استفاده کردن رو می‌گی
• نشون می‌دی کجای کار هنوز خالیه (همون Research Gap)
• اگه اختلاف نظر یا بحث علمی وجود داره، بهش اشاره می‌کنی

❗️هدف اصلی اینه که بگی:

«من اولین نفری نیستم، ولی هنوز یه چیزی هست که کسی درست بهش نپرداخته»

⸻

3. Methodology | روش‌شناسی

❓ اینجا فقط جواب یک سؤال مهمه: چطوری می‌خوای انجامش بدی؟

اینجا باید کاملاً شفاف باشی:
• نوع پژوهش: تجربی؟ آماری؟ یادگیری ماشین؟ کیفی؟
• داده‌هات از کجا میان؟ (تصویر، پرسشنامه، دیتاست، بیمار، فایل پزشکی و…)
• چطور داده جمع می‌کنی؟
• با چه روش یا الگوریتمی تحلیل می‌کنی؟
• اگه پای نمونه انسانی وسطه: بحث اخلاق، رضایت آگاهانه و مجوزها
• هزینه و منابع لازم (اگه پروژه رسمیه)

💡 این بخش مهم‌ترین قسمت پروپوزاله چون نشون می‌ده بلدی کارت رو انجام بدی.

⸻

4. Preliminary Data | داده‌های اولیه

❓ اینجا می‌گی: تا الان چی داری؟

اگه:
• یه دیتاست اولیه داری
• یه آزمایش کوچیک انجام دادی
• یه نتیجهٔ اولیه گرفتی

اینجا نشونش می‌دی.

💡 این بخش کمک می‌کنه ثابت کنی: «این پروژه شدنیه، فقط یه ایده روی کاغذ نیست»

حتی یه نتیجهٔ کوچیک هم خیلی ارزشمنده.

⸻

5. Statement of Limitations | محدودیت‌ها

❓ اینجا خیلی شجاعانه می‌گی: کجای کارت ضعف داره؟

مثلاً:
• داده کمه
• نمونه محدودِ
• نتایج قابل تعمیم به همه نیست
• ابزار اندازه‌گیری محدودیت داره

💡 ولی مهم‌تر از گفتن محدودیت‌ها اینه که بگی: «با وجود این محدودیت‌ها، این تحقیق چه کمکی می‌کنه»

❗️این بخش اصلاً ضعف نیست؛ نشونهٔ بلوغ علمیه.

⸻

6. Conclusion | جمع‌بندی

❓ اینجا جواب می‌دی به: آخرش چی به علم اضافه می‌شه؟

در پایان:
• خلاصه می‌کنی قراره چه کاری انجام بدی
• می‌گی این کار چه ارزشی داره
• چه کمکی به علم، جامعه یا کاربرد عملی می‌کنه
• و مسیر تحقیقات آینده رو نشون می‌دی

این بخش یه جورایی باید حس «جمع شدن پازل» رو بده 🧩

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

ما چلّه نشینِ شبِ آزادیِ خویشیم
ای کاش که یَلدای وطن را سحری بود

‏• بیداد خراسانی

🍉 شب یلداتون مبارک.

دوستانی که به نوروساینس، علوم شناختی، بینایی و خلاصه همه‌ی این دنیای جذاب علاقه دارید 🧠

❗️می‌خواستیم یه تجربه‌ی خیلی خوب رو باهاتون به اشتراک بذاریم.

📌 این پلی‌لیست در واقع یک دوره‌ی کامل و جدی از درس‌های علوم اعصاب و بیناییه که سال گذشته در NIH (مؤسسه ملی سلامت آمریکا) تدریس شده. من خودم چندتا از جلسه‌هاش رو دیدم و واقعاً از ساختار، عمق مطالب و شیوه‌ی تدریسش لذت بردم.

📣 به نظرم این دوره مخصوصاً برای دانشجویان لیسانس یا کسایی که می‌خوان برای مقاطع بالاتر وارد مسیر پژوهش بشن، فوق‌العاده مناسبه؛ هم دید مفهومی می‌ده، هم پایه‌ی علمی محکمی می‌سازه.

👀 اگر دنبال منبع درست‌وحسابی و استاندارد هستید، حتماً یه نگاهی بهش بندازید

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

🤫 اگه از مدل‌های مبتنی بر هوش‌مصنوعی برای نوشتن یا تصحیح/بهبود نوشته‌هاتون استفاده می‌کنید و متنی که بهتون میدن وایب llm-generated میده از این پرامپت استفاده کنید:

‏Rewrite this with C1 CEFR English level of a non-native English Speaker who is a subject matter expert in this domain. Don’t paraphrase the
technical terminology.

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

❓ توضیحات تکمیلی در مورد دوره سکشنال نوروآناتومی و تصویربرداری پیشرفته:

*️⃣ این دوره شامل ۱۴-۱۶ جلسه اصلی هست که در دو سکشن توسط اساتید تدریس میشه. تمرکز سکشن اول بر قسمت نوروآناتومی و تمرکز سکشن دوم بر نوروایمیجینگ و پاتولوژی‌های شایع خواهد بود.

🔠 شروع دوره از پنجشنبه ۱۸ دی‌ماه هست و جلسات هر پنجشنبه از ساعت ۱۱ الی ۱۴ برگزار خواهند شد.

❗️ممکن هست که تعداد جلسات کلاس و یا ساعت برگزاری هر کلاس بسته به صلاحدید اساتید و نیاز شرکت کنندگان افزایش پیدا کنه.

1️⃣ شرکت در کلاس هم به صورت حضوری و هم به صورت آنلاین امکان پذیر هستش و فیلم تمامی جلسات ضبط میشه و بعد از کلاس در اختیار شرکت‌کنندگان قرار میگیره.

2️⃣ در سکشن دوم کلاس همراه با کلاس‌های آموزشی هفتگی جلسات ژورنال کلابی خواهیم داشت که در اون جلسات به شرکت‌کنندگان نحوه انجام تحقیقات بالینی آموزش داده میشه.

3️⃣ این دوره شامل یک جلسه ویژه مبتنی بر نقش و استفاده از هوش مصنوعی در مطالعات و تحقیقات حوزه مغز و اعصاب میباشد.

4️⃣ به تمامی شرکت کنندگان دوره سرتیفیکیت به زبان انگلیسی اهدا میگردد.

5️⃣شرکت در دوره به صورت سکشنال و یا جلسه‌ای هم امکان‌پذیر هست.

خدايا حافظ كسانى باش
كه صدايشان، صداى ما
ولى شجاعتشان از ما بيشتر بود❤️✨

📣 با افتخار اعلام میکنیم که دومین کنگره ملی اختلالات شناختی، دمانس و نوروسایکیتری به همت مرکز تحقیقات نورولوژی شناخت، دمانس و نوروسایکیتری و با حضور اساتید برجسته، پژوهشگران، پزشکان و متخصصان این حوزه برگزار می‌شه.

🔝 این کنگره با حمایت انجمن علمی مغز و اعصاب ایران و هم‌زمان با معرفی انجمن علمی دمانس و اختلالات شناختی ایران (صدر) برگزار خواهد شد.

🎤 عنوان سخنرانی مرکز ما «راهنمای عملی برای تجزیه‌وتحلیل تصویربرداری عصبی در بیماری آلزایمر با استفاده از هوش مصنوعی» هست.

🗓 تاریخ: ۱۸ دی‌ماه، از ساعت ۱۶:۳۰ تا ۱۸:۳۰.

📍 مکان: مرکز همایش‌های بین‌المللی ایران


🎯 توی این سخنرانی قراره خیلی عملی و واقعی با هم ببینیم چطور می‌شه از ابزارهای نوین برای تحلیل تصویربرداری عصبی در آلزایمر استفاده کرد. تمرکز جلسه فقط روی تئوری نیست؛ بیشتر می‌خوایم بفهمیم مسیر تحلیل داده‌ها در عمل چطوره، چه چالش‌هایی توی کار بالینی وجود داره و فاصله‌ی بین حرف‌های کتابی تا دنیای واقعی کجاست. یادگیری عملی توی این حوزه کمک می‌کنه مفاهیم گاهی پیچیده‌ی هوش مصنوعی از حالت انتزاعی دربیان و تبدیل بشن به ابزارهایی که واقعاً توی پژوهش و تصمیم‌گیری‌های بالینی به کار میان.

✏️ این برنامه امتیاز بازآموزی هم داره. شناسه ثبت‌نام در سامانه آموزش مداوم: 226907

✉️ راه‌های ارتباطی جهت ثبت‌نام:

🔗 کانال تلگرام کنگره
🔗 وب‌سایت انجمن صدر

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

❗️اگر آزمون تافل داشتین این مدت و نتونستین شرکت کنین میتونین هر موقع شرایط مساعد شد ایمیل بزنین و به صورت رایگان reschedule کنین.

🥀🕊 این روزها تراژدی فقط یک خبر یا حادثه‌ی دور نیست؛ تبدیل شده به یک تجربه‌ی روانی جمعی. انگار همه‌مون درگیر یک بار عاطفی مشترکیم: خستگی مزمن، سوگی که ته‌نشین نمی‌شه، خشم فروخورده، سردرگمی، بی‌اعتمادی و ترسی که مداوم در پس‌زمینه‌ی زندگی فعاله. وقتی استرس شدید و طولانی می‌شه، سیستم عصبی وارد حالت «بقا» می‌شه؛ حالتی که در روان‌شناسی بهش پاسخ استرسی مزمن می‌گن. برای همین خیلی از ما همزمان دو تجربه‌ی ظاهراً متناقض داریم: بی‌حسی عاطفی در کنار حساسیت بیش‌ازحد. دلتنگی‌هایی که رها نمی‌کنن، سکوت‌هایی که از فریاد بلندترن، بغض‌هایی که تخلیه نمی‌شن و اختلال خواب‌هایی که نشون می‌ده بدن هنوز در وضعیت هشدار باقی مونده.

📝 شاید به همین دلیله که وقتی می‌خوایم درباره‌ی این روزها حرف بزنیم، حس می‌کنیم کلمه‌ها کافی نیستن. نه چون درک نکردیم چه گذشته، بلکه چون بعضی تجربه‌ها هنوز در مرحله‌ی پردازش هیجانی هستن، نه پردازش زبانی. پژوهش‌های تروما نشون می‌دن مغز در مواجهه با فشار شدید، تجربه رو ابتدا در سطح حسی و بدنی ذخیره می‌کنه و تبدیلش به روایت کلامی زمان می‌بره. به همین خاطره که سکوت این روزها خودش یک شکل از پردازشه. ما ناتوان از حرف زدن نیستیم؛ داریم تجربه‌ای رو هضم می‌کنیم که هنوز ساختار زبانی پیدا نکرده. این فاصله بین احساس و واژه طبیعی‌ست، حتی اگر سنگین باشه. ما فقط ناراحت نیستیم؛ فرسودگی روانی رو تجربه می‌کنیم. ایستاده‌ایم وسط وضعیتی که هنوز برچسب دقیقی براش نداریم و همین بی‌نامی، فشارش رو بیشتر می‌کنه.

💔 در چنین شرایطی یک واکنش شایع شکل می‌گیره: زندگی ادامه پیدا می‌کنه، اما ما از ادامه دادن احساس گناه می‌کنیم. انگار خندیدن یا انجام کارهای روزمره بی‌احترامی به درد محسوب می‌شه. در روان‌شناسی به این حالت «گناه بازمانده» می‌گن؛ احساسی که وقتی فرد همزمان با سوگ، به بقا و ادامه‌ی زندگی خودش آگاهه ایجاد می‌شه. اما برگشتن به عملکرد روزمره نشانه‌ی بی‌حسی نیست؛ نشانه‌ی انعطاف‌پذیری عصبی و ظرفیت تطابق انسانه. سوگ سالم به معنی حذف درد نیست، بلکه یعنی توانایی نوسان بین مواجهه با رنج و بازگشت به زندگی. این رفت‌وآمد یک مکانیسم سازگارانه‌ست، نه ضعف اخلاقی.

❤️‍🩹 وقتی بحران طولانی می‌شه، مفهوم امید هم تغییر می‌کنه. امیدی که فقط به نتیجه‌های قطعی وابسته باشه، در شرایط ابهام فرو می‌ریزه. اما نوعی امید وجود داره که از پیوند میاد. پژوهش‌های تاب‌آوری نشون می‌دن قوی‌ترین محافظ روان انسان اتصال اجتماعیه. اینکه بدانیم تنها نیستیم، مستقیماً روی تنظیم سیستم عصبی اثر می‌ذاره و احساس امنیت زیستی ایجاد می‌کنه. در این معنا امید یک خیال‌بافی ساده نیست؛ یک تجربه‌ی بین‌فردی‌ست که در با هم بودن شکل می‌گیره.

🫂✨ ما شاید هنوز تصویر روشنی از آینده نداشته باشیم و مسیر جلو چشم‌مون مبهم باشه. خستگی واقعی‌ست و زخم‌ها انکارشدنی نیستن، اما هیچ‌کدوم از ما این مسیر رو تنها راه نمی‌ره. ادامه دادن، در این لحظه، بیشتر از هر چیز یک عمل همدلانه‌ست؛ اینکه اجازه بدیم کنار هم نفس بکشیم، کنار هم جلو بریم، حتی آهسته. ما می‌خواییم ادامه بدیم و باید ادامه بدیم، چون امید همیشه از جاهای بزرگ شروع نمی‌شه؛ از همین کنار هم موندن‌های کوچک شکل می‌گیره. آینده یک اتفاق ناگهانی نیست، حاصل جمع همین قدم‌های مشترکه. و تا وقتی پیوندمون زنده‌ست، چیزی در ما هست که هنوز رو به جلو حرکت می‌کنه.

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

📣 اطلاعیه رسمی مرکز پژوهش‌های علمی و فناوری دانشجویان دانشگاه علوم پزشکی تهران در خصوص مجموعه شبکه نخبگان ایران.

🧠 CT Head Anatomy

Axial Non-Contrast CT at the Level of the Basal Ganglia

This image illustrates a non-contrast axial computed tomography (CT) scan of the head obtained at the level of the basal ganglia. This anatomical level is among the most critical and frequently assessed planes in routine head CT interpretation. It is particularly important for the evaluation of acute ischaemic stroke, deep gray matter pathology, and disorders affecting motor function.

⸻

Basal Ganglia

The basal ganglia consist of a group of deep gray matter nuclei involved in motor control and movement regulation. These structures include the caudate nucleus and lentiform nucleus within the cerebrum, the substantia nigra located in the midbrain, and the subthalamic nuclei within the diencephalon.

Functionally, the basal ganglia facilitate desired voluntary movements while suppressing competing motor activity, thereby ensuring smooth and coordinated motion.
From a clinical perspective, degeneration of dopaminergic neurons in the substantia nigra leads to Parkinson’s disease, whereas reduced activity of the subthalamic nuclei results in hemiballismus.

⸻

Ventricular System

At this axial level, the frontal horns of the lateral ventricles are visualized anteriorly, and the third ventricle is seen along the midline. Assessment of ventricular size, symmetry, and alignment is essential for the detection of hydrocephalus, mass effect, and midline shift.

⸻

Caudate Nucleus

The caudate nucleus forms the lateral wall of the lateral ventricle and serves as an important anatomical landmark on head CT. Involvement of the caudate nucleus in deep cerebral infarctions may appear as focal hypoattenuation on non-contrast CT imaging.

⸻

Lentiform Nucleus

The lentiform nucleus is a lens-shaped structure composed of the putamen and globus pallidus. Although differentiation between these components is limited on CT, they are readily distinguished on magnetic resonance imaging (MRI).
In the setting of acute cerebral infarction, involvement of the lentiform nucleus typically presents as ill-defined areas of low attenuation on non-contrast CT.

⸻

Internal Capsule

The internal capsule lies between the caudate nucleus medially and the lentiform nucleus laterally. It contains vital motor and sensory projection fibers. Even small lesions affecting the internal capsule may result in significant contralateral motor deficits, highlighting the importance of careful evaluation of its symmetry and attenuation on CT scans.

⸻

Sylvian Fissure and Middle Cerebral Artery Territory

The Sylvian fissure (lateral sulcus) separates the frontal and parietal lobes superiorly from the temporal lobe inferiorly. This fissure contains the course of the middle cerebral artery (MCA).
In the early stages of acute ischaemic stroke, the presence of a hyperdense MCA sign within the Sylvian fissure may represent the only abnormal CT finding, even when a short arterial segment is involved.

⸻

Insular Cortex

The insular cortex is located deep within the Sylvian fissure and is one of the earliest regions affected in MCA territory infarction. Under normal conditions, the insular gray matter appears slightly hyperattenuating relative to adjacent white matter. Loss of this normal gray–white matter differentiation is one of the earliest radiological indicators of cerebral ischaemia.

⸻

White Matter and Cortical Lobes

At this level, white matter is located centrally, while the frontal, temporal, and occipital lobes are identified peripherally. Familiarity with the normal distribution and appearance of these structures is essential for accurate recognition of pathological changes on head CT.

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

‼️ متأسفانه با توجه به شرایط پیچیده، ناپایدار و پرتنش این روزها، از جابه‌جایی‌های مکرر و غیرقابل پیش‌بینی امتحانات گرفته تا نامشخص بودن وضعیت برگزاری دانشگاه‌ها، شرایط کلی کشور و مشکلات جدی و مداوم اینترنت، به این نتیجه رسیدیم که شروع این دوره را به بعد از تعطیلات عید موکول کنیم. در چنین فضایی، برنامه‌ریزی دقیق و قابل اتکا برای یک دوره آموزشی عملاً بسیار دشوار شده و متأسفانه هر لحظه ممکن است عوامل خارج از کنترل، روند برگزاری کلاس‌ها را تحت تأثیر قرار دهد.

❤️ این تصمیم برای ما به‌هیچ‌وجه آسان نبود. ما نیز مانند شما مشتاق برگزاری این دوره و همراهی دوباره با علاقه‌مندان نوروآناتومی بودیم، اما باور عمیق ما این است که آموزش باکیفیت تنها زمانی معنا پیدا می‌کند که هم مدرس و هم شرکت‌کنندگان با آرامش ذهنی، تمرکز کافی و حداقل دغدغه بتوانند در کلاس حضور داشته باشند. امیدواریم با این تغییر زمان، امکان ایجاد فضایی امن‌تر، آرام‌تر و شایسته‌تر فراهم شود تا کلاسی برگزار کنیم که واقعاً در حد انتظارات شما و مطابق با استانداردهای آموزشی مدنظر ما باشد.

🥲 در این مدت پیام‌ها و درخواست‌های بسیار زیادی برای برگزاری مجدد دوره‌ها از سوی شما دریافت کردیم؛ پیام‌هایی که برای ما سرشار از دلگرمی، اعتماد و همراهی بود و صمیمانه قدردان آن هستیم. با این حال، لازم می‌دانیم با شفافیت و صداقت کامل اعلام کنیم که با توجه به شرایط موجود، این دوره آخرین دوره از کلاس‌های نوروآناتومی ما خواهد بود. متأسفانه در وضعیت فعلی، ادامه‌ی برگزاری این دوره‌ها با حفظ کیفیت آموزشی بالا و در عین حال ارائه آن‌ها با هزینه‌ای معقول و منصفانه دیگر برای مرکز ما امکان‌پذیر نیست و به همین دلیل، تا اطلاع ثانوی برنامه‌ای برای برگزاری مجدد این دوره نخواهیم داشت.

⚡️ بنابراین اگر تمایل به شرکت در این دوره دارید و دوست دارید از این فرصت استفاده کنید، خواهشمندیم ثبت‌نام خود را در اسرع وقت انجام دهید. امیدواریم بتوانیم در همین دوره‌ی پایانی، تجربه‌ای ارزشمند، عمیق و به‌یادماندنی را در کنار هم رقم بزنیم.

به امید روزهای روشن‌تر، آرام‌تر و پرامید برای همه‌ی ما 🤍🌱

📣 PhD Position at KCL
➡️ Link

xLSTM: the return of a king

💡 در سال‌های اخیر، مدل‌های Transformer تقریباً تمام توجه‌ها را در حوزه‌ی هوش مصنوعی و به‌ویژه مدل‌های زبانی بزرگ (LLMs) به خود اختصاص داده‌اند. به همین دلیل بسیاری تصور می‌کردند معماری‌های قدیمی‌تر مانند LSTM دیگر کاربردی ندارند.

❗️ اما با معرفی نسخه‌های جدیدی مانند xLSTM که بازطراحی مدرنی از شبکه‌های بازگشتی ارائه می‌دهد، دوباره توجه‌ها به این معماری جلب شده است. برای درک اهمیت این موضوع، ابتدا باید بدانیم LSTM چیست و چرا ایجاد شد.

1️⃣ از RNN شروع کنیم: مدل‌هایی برای داده‌های ترتیبی

در یادگیری ماشین، برخی داده‌ها ترتیبی (Sequential) هستند؛ یعنی ترتیب آن‌ها اهمیت دارد.

مثال‌ها:
• جمله‌های یک متن
• سیگنال ECG قلب
• داده‌های قند خون در طول زمان
• ویدئوها
• سری‌های زمانی مالی

برای این نوع داده‌ها، مدل باید بتواند اطلاعات گذشته را به خاطر بسپارد تا وضعیت فعلی را بهتر درک کند.

✅ شبکه‌های بازگشتی یا RNN (Recurrent Neural Networks) دقیقاً برای همین هدف طراحی شدند. آن‌ها در هر گام زمانی:
• ورودی جدید را دریافت می‌کنند
• آن را با «حافظه‌ی قبلی» ترکیب می‌کنند
• یک خروجی تولید می‌کنند

❌ مشکل اینجا بود که RNNهای ساده در عمل نمی‌توانستند اطلاعات مربوط به زمان‌های دور را به‌خوبی حفظ کنند.

2️⃣ مشکل اصلی RNNها چه بود؟

‼️ مشکل اول: محوشدگی گرادیان (Vanishing Gradient)

در فرآیند آموزش شبکه‌های عصبی، از الگوریتمی به نام پس‌انتشار (Backpropagation) استفاده می‌شود.

در RNNها، وقتی توالی خیلی طولانی باشد، گرادیان‌ها در طول زمان کوچک و کوچک‌تر می‌شوند تا جایی که تقریباً صفر می‌شوند.

نتیجه؟

مدل دیگر نمی‌تواند یاد بگیرد که اطلاعات مهمی که مثلاً 50 گام قبل اتفاق افتاده، هنوز اهمیت دارد.

‼️ مشکل دوم: ناتوانی در یادگیری وابستگی‌های بلندمدت

فرض کنید در جمله‌ی زیر:

“The patient who was admitted three days ago and had severe hypertension is now stable.”

مدل باید بتواند ارتباط بین “patient” و “is” را با وجود فاصله‌ی زیاد حفظ کند.
RNNهای ساده معمولاً در چنین وابستگی‌هایی دچار مشکل می‌شوند.

3️⃣ چگونه شبکه‌های LSTM این مشکل را حل کردند؟

LSTM (Long Short-Term Memory)
در سال 1997 معرفی شد تا این محدودیت‌ها را برطرف کند.

ایده‌ی کلیدی LSTM این بود که یک مسیر حافظه‌ی پایدار ایجاد کند که اطلاعات مهم بتوانند برای مدت طولانی در آن جریان داشته باشند.

⚡️ ساختار LSTM به زبان ساده

LSTM در هر گام زمانی سه تصمیم مهم می‌گیرد:

⬅️ چه چیزی را فراموش کنیم؟ (Forget Gate)

آیا این اطلاعات قدیمی هنوز مهم هستند یا باید حذف شوند؟

⬅️ چه چیزی را اضافه کنیم؟ (Input Gate)

چه اطلاعات جدیدی باید وارد حافظه شوند؟

⬅️ چه چیزی را خروجی بدهیم؟ (Output Gate)

کدام بخش از حافظه برای تصمیم فعلی مهم است؟

در مرکز این سیستم، مفهومی به نام Cell State قرار دارد که مانند یک بزرگراه اطلاعات را از گذشته به آینده منتقل می‌کند.

4️⃣ کاربرد LSTM در داده‌های پزشکی 🏥

یکی از مهم‌ترین حوزه‌هایی که LSTM در آن درخشان عمل کرده، داده‌های پزشکی سری زمانی است.

⏩ مثال: پیش‌بینی نارسایی قلبی با استفاده از سیگنال ECG

سیگنال ECG یک داده‌ی کاملاً ترتیبی است.
هر ضربان قلب به ضربان قبلی وابسته است.

با استفاده از LSTM می‌توان:
• الگوهای غیرطبیعی در ضربان قلب را تشخیص داد
• آریتمی‌ها را پیش‌بینی کرد
• خطر ایست قلبی را قبل از وقوع تخمین زد

چرا LSTM مناسب است؟

• می‌تواند وابستگی‌های زمانی طولانی را یاد بگیرد
• تغییرات تدریجی در سیگنال را تشخیص دهد
• الگوهای ظریف و پنهان را در طول زمان مدل‌سازی کند

⏩ مثال دیگر: پیش‌بینی سپسیس در ICU

در بخش مراقبت‌های ویژه، پارامترهای حیاتی بیمار مانند:
• فشار خون
• ضربان قلب
• سطح اکسیژن
• دمای بدن

به‌صورت مداوم ثبت می‌شوند و LSTM می‌تواند با تحلیل این داده‌های زمانی:

• روندهای خطرناک را شناسایی کند
• چند ساعت قبل از وقوع سپسیس هشدار دهد
• به پزشکان در تصمیم‌گیری سریع‌تر کمک کند

5️⃣ آیا LSTM هنوز مهم است؟

با وجود موفقیت Transformerها، LSTM همچنان در شرایط زیر بسیار کاربردی است:

• داده‌های با حجم متوسط
• سیستم‌های با محدودیت حافظه
• کاربردهای real-time
• سری‌های زمانی پزشکی و صنعتی

اکنون با معرفی xLSTM که نسخه‌ای مدرن‌تر و مقیاس‌پذیرتر از این معماری ارائه می‌دهد، دوباره این سؤال مطرح شده است:

👀 آیا معماری‌های بازگشتی واقعاً منسوخ شده‌اند؟ یا فقط منتظر یک بازطراحی هوشمندانه‌تر بودند؟ به‌نظر می‌رسد داستان LSTM هنوز تمام نشده است.

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

xLSTM Tutorial

📱Article
📱Youtube Tutorial
📱Hugging Face Tutorial
📱GitHub

———

NeurAItex Research Center (Neuro AI technologies & Innovations )🧠

📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex
📱neuraitex