XiaoMi-AI文件搜索系统
World File Search System全自动
使用全自动分割方法
背景：正电子发射断层扫描（PET）越来越多地用于用于治疗评估目的。尽管如此，由于空间分辨率低和PET图像的高噪声水平，PET图像中的病变体积识别是放射线学过程中至关重要且仍然具有挑战性的步骤。目前，生物靶标体积（BTV）由核医生手动轮廓，并具有昂贵且依赖操作员的程序。这项研究旨在使用全自动手术，并使用这些BTV提取放射线特征，以在对治疗反应与否的患者之间进行分层，从而在接受L- [11 C]蛋氨酸（11C] PET的患者中获取BTV。出于这些目的，使用建议的方法划定了31种用于预测性评估的脑转移，用于治疗后的随访评估25个。依次使用11C-MET PET研究和相关的体积分割来提取108个特征，以研究放射线分析在脑转移患者中的潜在应用。已实施了一种新型的统计系统，以减少特征和选择，而判别分析被用作特征分类的方法。结果：对于预测性评估，在功能降低和选择后，有3个特征（非球性，低强度跑步和复杂性）能够区分响应者和非反应器患者。与使用所有功能相比，使用三个选定特征（敏感性为81.23％，特异性为73.97％，精度为78.27％）的组合获得了患者歧视的最佳表现。其次，对于后续评估，为8个特征（SUV平均值，SUL峰，SUV，SUL峰值面积面积，SUV平均值量表，表面平均SUV 3，SUL峰值峰值 - 峰值 - 峰值和第二个角度矩和第二个角动力）均在判别分析中具有最佳性能，敏感性86.28％（敏感性86.28％），特定于87.75％，并精确86.75％），精确86.75.75％。 特征。
用于脑肿瘤分割的全自动深度学习网络
我们开发了一种使用深度学习进行脑肿瘤分割的全自动方法；使用了来自 BraTS2018 数据集的 285 个具有多参数磁共振图像的脑肿瘤病例。我们设计了 3 个独立的 3D-Dense-UNets，将复杂的多类分割问题简化为每个子组件的单独二元分割问题。我们实施了 3 倍交叉验证来推广网络的性能。整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 分割的平均交叉验证 Dice 分数分别为 0.92、0.84 和 0.80。然后，我们使用 285 个病例中的 265 个重新训练各个二元分割网络，其中 20 个病例用于测试。我们还在来自 BraTS2017 验证数据集的 46 个病例、来自 BraTS2018 验证数据集的 66 个病例和来自独立临床数据集的 52 个病例上测试了该网络。在 20 个保留测试用例中，WT、TC 和 ET 的平均 Dice 分数分别为 0.90、0.84 和 0.80。在 BraTS2017 验证数据集、BraTS2018 验证数据集和临床数据集上，WT、TC 和 ET 的平均 Dice 分数分别为：0.90、0.80 和 0.78；0.90、0.82 和 0.80；以及 0.85、0.80 和 0.77。开发了一种全自动深度学习方法将脑肿瘤分割成其子成分，该方法在 BraTS 数据集和独立临床数据集上实现了高预测准确率。该方法有望应用于临床工作流程。
使用深度学习对胶质母细胞瘤患者进行全自动脑切除腔描绘以定义放射靶体积
背景：自动脑肿瘤分割方法是一种计算算法，可从多模态磁共振成像 (MRI) 中勾画出肿瘤轮廓。我们介绍了一种使用深度学习 (DL) 技术对多形性胶质母细胞瘤 (GBM) 患者的切除腔 (RC) 进行自动分割的方法及其结果。方法：纳入 30 名 GBM 患者的术后、有无造影的 T1w、T2w 和液体衰减反转恢复 MRI 研究。三位放射肿瘤学家手动勾画了 RC 以获得参考分割。我们开发了一种 DL 腔分割方法，该方法利用所有四个 MRI 序列和参考分割来学习执行 RC 勾画。我们根据 Dice 系数 (DC) 和估计体积测量值评估了分割方法。
基于人工智能的全自动胸部 CT 肺气肿量化与肺功能测试的比较
尽管胸部 CT 未被纳入 GOLD 推荐的 COPD 患者诊断检查，但 CT 提供了有价值的补充信息，例如支气管壁增厚、肺气肿形态、严重程度和空气滞留，这些信息直接导致气流受限并与死亡率增加相关 [7, 8, 10–14]。此外，其他临床上与 COPD 相似的疾病，例如肺纤维化，只能通过高级成像才能区分 [15]。临床研究中通常使用几种基于 CT 的方法来评估肺气肿，包括视觉、半定量和定量技术 [16–22]。所有这些都需要严格的采集参数，需要手动输入，耗时，并且容易受到观察者间和患者间差异的影响，尤其是
BRAVE-NET：脑血管病患者的全自动动脉脑血管分割
Adam Hilbert 1 , Vince I. Madai 1,2 , Ela M. Akay 1 , Orhun U. Aydin 1 , Jonas Behland 1 , Jan Sobesky 3,4 , Ivana Galinovic 3 , Ahmed A. Khalil 3,5,6,7 , Abdel A. Taha 8 , Jens Wuerfel 9 , Petr Dusek 10 , Thoralf Niendorf 11 , Jochen B. Fiebach 3 , Dietmar Frey 1 , Michelle Livne 1 1 声明 - Charité 医学人工智能实验室，柏林 Charité Universitätsmedizin，德国 2 英国伯明翰城市大学计算与数字技术学院，计算、工程与建筑环境学院 3 柏林中风研究中心，Charité德国柏林医学大学 4 Johanna-Etienne 医院，诺伊斯，德国 5 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡，德国 6 柏林洪堡大学柏林心智与脑学院心智、大脑、身体研究所，柏林，德国 7 柏林健康研究所，柏林，德国 8 数据科学研究工作室，奥地利研究工作室，萨尔茨堡，奥地利 9 巴塞尔大学医学图像分析中心 AG 和生物医学工程系，巴塞尔，瑞士 10 布拉格查理大学第一医学院和大学综合医院神经病学系和临床神经科学中心，布拉格，捷克 11 柏林超高场设施 (BUFF)，亥姆霍兹联合会 (MDC) 马克斯德尔布吕克分子医学中心，柏林，德国
一种利用 3D U-Net 架构对胶质瘤进行全自动肿瘤内分割的新方法
材料和方法：在本研究中，我们设计了一种新颖的 3D U-Net 架构，可分割各种放射学可识别的子区域，如水肿、增强肿瘤和坏死。提出了从肿瘤边界区域提取加权斑块的方案，以解决肿瘤和非肿瘤斑块之间的类别不平衡问题。该架构由一条用于捕获上下文的收缩路径和一条能够实现精确定位的对称扩展路径组成。基于深度卷积神经网络 (DCNN) 的架构在 285 名患者身上进行了训练，在 66 名患者身上进行了验证，并在来自脑肿瘤分割 (BraTS) 2018 挑战数据集的 191 名胶质瘤患者身上进行了测试。从多通道 BraTS 训练数据集中提取三维斑块来训练 3D U-Net 架构。我们还在来自我们三级癌症中心的 40 名高级别胶质瘤患者的独立数据集上测试了所提出方法的有效性。分割结果根据 Dice 分数、敏感度、特异性和 Hausdorff 95 距离（ITCN 肿瘤内分类网络）进行评估。
从森林地区的机载激光扫描点云中进行全自动电力线提取
摘要：高压电线可以很容易地利用激光扫描数据进行测绘，因为高压线附近的植被通常会被移除，而且与区域网络和低压网络相比，高压电线位于地面上方。相反，低压电线位于茂密的森林中间，在这样的环境中很难对电线进行分类。本文提出了一种用于森林环境的自动电力线检测方法。我们的方法是基于统计分析和二维图像处理技术开发的。在统计分析过程中，应用一组标准（例如高度标准、密度标准和直方图阈值）来选择电力线候选点。将候选点转换为二值图像后，采用基于图像的处理技术。对象几何特性被视为电力线检测的标准。该方法在来自不同森林环境的六组机载激光扫描 (ALS) 数据中进行。与参考数据相比，93.26% 的电力线点被正确分类。分析并讨论了这些方法的优缺点。
评估全自动综合尿液分析仪UX-2000
UX-2000是整合测试带分析系统和尿液颗粒分析系统的仪器。在该仪器上，可以在一个屏幕上显示测试条分析和尿液颗粒分析的结果。两种分析的集成使操作员可以通过使用相关参数（例如BLD和RBC，LEU和WBC，NIT和BACT）之间的交叉检查来轻松管理结果。因此，可以提高测量结果的可靠性。在这项研究中，我们评估了UX-2000的基本性能，例如运行内的可重复性，结转测试以及与UF-1000I以及与Clinitek Atlas的相关性。运行内可重复性和结转测试的结果非常好。，与UF-1000i和Clinitek Atlas的相关性没有问题。因此，似乎UX-2000对于例行尿液的常规测定很有用，以促进高效和快速。
比较全自动尿液颗粒分析仪（UF-1000I）与尿路感染测试中定量尿培养和亚硝酸盐反应的比较
基于流式细胞术的自动尿液分析仪，UF-1000i是一种可以测量红细胞（RBC），白细胞（WBC），上皮细胞（EC），铸造和细菌在非液体尿液样品中的装置。在本研究中，将用UF-1000i获得的结果与尿液中常规定量尿培养和亚硝酸盐反应获得的结果进行了比较。此外，我们研究了UF-1000i的散点图是否可以区分球菌和杆菌。UF-1000i和常规定量尿培养的结果良好相关，UF-1000i对细菌的敏感性和特异性分别为96.7％和68.1％。由UF-1000I测量的细菌尿中亚硝酸盐反应的阳性速率为12.7％，并且检测到的大部分物种是大肠杆菌。细菌和球菌的UF-1000i散点图的一致性率分别为94.7％和82.7％。在细菌（> 10 5 /ml）中，散点图模式可以区分球菌和杆菌。