Multi-channel neural electrodes as a crucial means are of great significance for information exchange between the brain and computers. Herein, we present a 16-channel Si-based active neural probe system that achieves a monolithic integration between the electrodes and circuits in a single probe, making it a standalone integrated electrophysiology recording system. The ASIC prepared on a base (2×2mm2) is a 16-channel analog frontend (AFE) for neural recording, and each channel has a low-noise amplifier (LNA), a bandpass filter (BPF), a buffer and a current bias circuit. The 258 neural signal recording electrodes (22×24μm2) are densely packed on a 50 μm thick, 100 μm wide, and 3 mm long shank. The ASIC of neural probe, internal interconnecting wires are all implemented in commercial SMIC 0.18-μm CMOS technology. The neural probe system achieves a 3.6-μVrms input-referred noise (IRN) in a bandwidth of 1.1Hz-10kHz, 70.8-μW power consumption, 0.0785 mm2 area per channel, as well as an AFE gain of 58.1 dB. Furthermore, the impedances of the Au electrodes can be obtained as 0.5-2.1 MΩ at a frequency of 1 kHz. The functionality of a 16-channel silicon-based neural probe is validated in an in-vivo experiment on lab rats.

Abstract Multi‐organ segmentation from abdominal CT scans is crucial for various medical examinations and diagnoses. Despite the remarkable achievements of existing deep‐learning‐based methods, accurately segmenting small organs remains challenging due to their small size and low contrast. This article introduces a novel knowledge‐guided cascaded framework that utilizes two types of knowledge—image intrinsic (anatomy) and clinical expertise (radiology)—to improve the segmentation accuracy of small abdominal organs. Specifically, based on the anatomical similarities in abdominal CT scans, the approach employs entropy‐based registration techniques to map high‐quality segmentation results onto inaccurate results from the first stage, thereby guiding precise localization of small organs. Additionally, inspired by the practice of annotating images from multiple perspectives by radiologists, novel Multi‐View Fusion Convolution (MVFC) operator is developed, which can extract and adaptively fuse features from various directions of CT images to refine segmentation of small organs effectively. Simultaneously, the MVFC operator offers a seamless alternative to conventional convolutions within diverse model architectures. Extensive experiments on the Abdominal Multi‐Organ Segmentation (AMOS) dataset demonstrate the superiority of the method, setting a new benchmark in the segmentation of small organs.

To explore the genetic basis of a child with mental retardation and developmental delay.