XiaoMi-AI文件搜索系统
World File Search System内窥镜
光纤和微波控制的纤维尖端内窥镜
我们提出了一个坚固的，基于光纤的内窥镜，其射频发射的银色直线射击结构（RF）发射旁边是光纤面的发射。因此，我们能够激发和探测样品，例如钻石中的氮呈（NV）中心，带有RF和光学信号，并通过纤维完全测量样品的荧光。在我们的目标频率范围约为2.9 GHz的范围内，纤维芯的小平面位于RF引导银结构的近场中，这具有最佳RF强度随距离迅速降低的优势。通过在光纤的覆层上创建银结构，我们在光学激发和检测到的样品与天线结构之间达到了最小的距离，而不会影响光纤的光学性能。这使我们在考虑具有集成光学和RF访问的内窥镜解决方案时可以在样品的位置实现高RF振幅。通过光学检测到的磁共振（ODMR）测量对NV掺杂的微足面的测量进行量化，我们将其探测为实际用例。我们演示了17.8 nt /√< / div>的设备的磁灵敏度
乌干达婴儿脑积水的内窥镜治疗与分流
在撒哈拉以南非洲的婴儿中，脑力头的健康负担很大，在非洲，它每年影响约18万个婴儿。 1个脑积水是在新生儿心室炎后最常见的感染后感染性的。 在资源有限的环境中， 2，即使已经证明治疗的福利成本比率是有利的，但仍存在经济，文化和地理障碍。 3两种可用的治疗方法是脑室术分流4,5和内窥镜第三脑室造口术，带有Cho Roid plexus Cauterization（ETV – CPC）。 6-11通过转移脑脊液（CSF）的流动来减轻脑积水，从而减轻脑脊液的流动，而脉络丛的烧灼可减少CSF的产生，从而进一步降低水力头。 12这两个程序的相对好处是不确定性的。 脑室旋转在技术上很简单，手术后几个月的失败率低于ETV – CPC，但从长远来看，它更容易容易发生失败，并且具有分流依赖性脑力头的患者可能需要紧急的流动性手术而导致阻塞或瓦特（Shunt）造成阻塞或瓦特（Val）。 13分流故障在世界上无法获得直接的神经护理的世界中可能是致命的。 相反，ETV – CPC比分流要困难得多，但实际上所有失败都在6个月内发生，10,11,14，此后失败的风险很低。 13当干预的紧迫性低于以后的生活时，这种特征允许在婴儿期进行校正。在撒哈拉以南非洲的婴儿中，脑力头的健康负担很大，在非洲，它每年影响约18万个婴儿。1个脑积水是在新生儿心室炎后最常见的感染后感染性的。2，即使已经证明治疗的福利成本比率是有利的，但仍存在经济，文化和地理障碍。3两种可用的治疗方法是脑室术分流4,5和内窥镜第三脑室造口术，带有Cho Roid plexus Cauterization（ETV – CPC）。6-11通过转移脑脊液（CSF）的流动来减轻脑积水，从而减轻脑脊液的流动，而脉络丛的烧灼可减少CSF的产生，从而进一步降低水力头。12这两个程序的相对好处是不确定性的。脑室旋转在技术上很简单，手术后几个月的失败率低于ETV – CPC，但从长远来看，它更容易容易发生失败，并且具有分流依赖性脑力头的患者可能需要紧急的流动性手术而导致阻塞或瓦特（Shunt）造成阻塞或瓦特（Val）。13分流故障在世界上无法获得直接的神经护理的世界中可能是致命的。相反，ETV – CPC比分流要困难得多，但实际上所有失败都在6个月内发生，10,11,14，此后失败的风险很低。13当干预的紧迫性低于以后的生活时，这种特征允许在婴儿期进行校正。心室分流通常也比ETV – CPC更大的心室大小减少，从而导致比内镜程序更好地导致认知结果更好。程序之间的这种差异已显示不一致。15-23我们进行了一项随机试验，以比较接受ETV – CPC的婴儿与经历过室后脑脑化脑积水的婴儿之间的12个月的认知结果。
endodino：GI内窥镜检查的基础模型
缺乏大型和多样化的内窥镜数据集的AI的GI内窥镜检查和开发受到阻碍。因此，领域的传统发展涉及使用自然图像数据集（例如Imagenet-1K）进行预训练或转移学习。此路径要求组装相对较大且标记的填充数据集，以实现有意义的结果。创建此类数据集是耗时且昂贵的。此外，缺乏基础主链模型意味着GI内窥镜检查中不同的AI解决方案需要自己的推理计算开销。从部署的角度来看，这限制了部署多个AI解决方案在过程中实时运行的实用性。视觉基础模型特定于GI内窥镜检查可以统一AI解决方案，加速研究，甚至解锁了提高患者护理的新功能。
胶囊内窥镜的未来：人工智能和其他技术进步的作用
胶囊内镜检查因其便利性和无创性而彻底改变了小肠疾病的治疗。胶囊内镜检查是评估不明原因胃肠道出血、克罗恩病、小肠肿瘤和息肉综合征的常用方法。然而，繁琐的读取过程、对小肠病变的忽视以及缺乏运动是扩大其应用的主要障碍。随着人工智能的最新进展，一些研究报告了卷积神经网络系统在诊断各种小肠病变（包括糜烂/溃疡、血管扩张、息肉和出血性病变）方面的良好性能，这减少了胶囊内镜检查解释所需的时间。此外，结肠胶囊内窥镜和磁力驱动的胶囊内窥镜运动已被用于临床应用，并且已经推出了用于主动运动、活检或治疗方法的各种胶囊内窥镜原型。在本综述中，我们将讨论胶囊内窥镜领域人工智能的最新进展，以及对胶囊内窥镜其他技术改进的研究。Clin Endosc 2020;53:387-394
您的下一代第三空间内窥镜套件就在这里。
随着非侵入性腔内治疗程序和技术在内窥镜领域的不断涌现，富士胶片一直与临床专家合作，设计创新技术和设备解决方案，帮助推进 TSE 并将这些概念推向医疗服务的前沿。现在，您可以在诊所中拥有一套全面、完全兼容、集成且可靠的先进内窥镜套件，专门用于执行各种 TSE 程序，而这一独特产品正是富士胶片首创的。
用金属>的定量相成像内窥镜检查
抽象定量相成像（QPI）从强度测量中恢复了光的精确波前。可以从这些量化的相移中提取半透明微观体的地形和光密度图。我们使用氮化硅倍曲底金属固有的色差束在相干束束的尖端进行定量相成像。我们的方法利用光谱多路复用来使用彩色摄像头从单个捕获中的多个散焦平面恢复相位。我们的0.5 mm光圈金属量具有28°视图和0.2π相分辨率（空气中的〜0.1λ）显示出可靠的定量相成像能力，用于内窥镜束束的实验。由于光谱功能直接在成像晶状体中编码，因此金属既充当聚焦元件，又是光谱过滤器。使用简单的计算后端的使用将实现实时操作。在据报道的基于金属的QPI中，完全缓解了内窥镜检查相时成像方法的关键局限性。
Galar - 大型多标签视频胶囊内窥镜数据集
1 Else Kr ¨ oner Fresenius 数字健康中心，德累斯顿工业大学 (TU Dresden)，德累斯顿，德国 8 2 德累斯顿工业大学 (TU Dresden) 德累斯顿大学医院第一医学系，德累斯顿，9 德国 10 3 德累斯顿工业大学 (TU Dresden) 计算机科学研究所，德累斯顿，德国 11 4 德累斯顿 Diakonissen Krankenhaus，胃肠病学，德累斯顿，德国 12 5 乌尔姆大学和乌尔姆大学医学中心人类遗传学研究所，乌尔姆，德国 13 6 海德堡大学医院国家肿瘤疾病中心 (NCT) 肿瘤内科，海德堡，14 德国 15 7 维尔茨堡 16 大学医院内科 II 介入和实验内镜检查 (InExEn)，维尔茨堡，德国17 8 德国迪波尔迪斯瓦尔德胃肠内科医学办公室 18 † Maxime Le Floch、Fabian Wolf 和 Lucian McIntyre 对本文贡献相同 19 † Nora Herzog 和 Franz Brinkmann 对本文贡献相同 20 * 通讯作者：Maxime LeFloch (Maxime.LeFloch@ukdd.de) 21
Viant 提高内窥镜设备产量并降低其成本
该项目涉及高水平的供应链管理，金属和注塑部件均来自多家供应商。为了支持该项目，Viant：• 投资了自动光学检测设备和经过专门培训的检测员，以确保部件符合严格的尺寸要求• 开发了激光焊接工艺，以方便金属部件的组装• 设计和制造了用于激光焊接和最终组装工艺的工具• 规划和建造了经 ISO 8 认证的洁净室，用于组装此无菌设备
上消化道内窥镜检查 (EGD) 及 Bravo Prep 说明
所有处方血液稀释剂都需要在手术前停止使用，无一例外。您有责任尽快致电管理您的血液稀释剂的提供者，以获取有关如何以及何时停止服用它们的指导。未经处方提供者同意，请勿停止服用血液稀释剂。 一些常见的处方血液稀释药物：氯吡格雷 (Plavix)、华法林 (Coumadin)、替格瑞洛 (Brillinta)、普拉格雷 (Effient)、利伐沙班 (Xarelto)、达比加群 (Pradaxa)、阿哌沙班 (Eliquis)、双嘧达莫 (Aggrenox)、磺达肝癸钠 (Arixtra)、达肝素 (Fragmin)、西洛他唑 (Pletal)、依诺肝素 (Lovenox)、依度沙班 (Savaysa) 或噻氯匹定 (Ticlid)。 手术前和手术后，每天服用 81-325 毫克阿司匹林和布洛芬/萘普生/双氯芬酸/美洛昔康 (NSAID) 是安全的。 手术前几天和手术当天，服用处方止痛药和泰诺是安全的。 如果您定期看心脏病专家，请致电他们的办公室，确保您有接受麻醉的医疗许可。为了您的安全，麻醉提供者可能会要求您的心脏病专家提供医疗许可信。
人工智能、胶囊内窥镜、数据库和达摩克利斯之剑
我们饶有兴趣地阅读了 Hassan 等人 [1] 撰写的社论，题为“人工智能在内窥镜检查中的无处不在，不只用于检测和表征”，该社论受到 Hansen 等人最近的论文“新型人工智能 (AI) 驱动的软件显著缩短了计算机视觉项目中注释所需的时间” [2] 的启发。正如 Hassan 等人指出的那样，与经典的机器学习方法 (MLM) 不同，这个新兴领域（即深度学习 [DL]）的主要优势在于它能够自动提取图像特征，以便计算机可以使用它们来表征其内容 [3]。从本质上讲，这意味着这种无监督方法的准确性主要取决于所提供的训练数据的适当性和质量。特别是在胶囊内窥镜 (CE) 领域，图像数据随处可见，但谁来仔细研究图像、描绘/注释和评论感兴趣的区域，并确保使用高质量的材料进行 DL 训练，这还有待确定。考虑到这一点，我们投入了大量的人力（包括个人）[1]，着手创建一系列相应的 CE 数据库，即 KID、CAD-CAP 和 Kvasir Capsule [4 – 6]，以造福计算机科学家，而这却花费了我们自己和同事的努力。尽管它们通过来自不同制造商的 CE 图像得到丰富和扩大，但不同的数据库包含以各种方式准备的多种类别的胃肠道正常和异常发现。因此，数据库的清洁程度各不相同，它们为 AI 软件开发人员提供了独特的机会和各自的参考点。这种方法为结构化交付一系列急需的解决方案奠定了基础，这些解决方案可以准确检测和表征异常 CE 发现。这些包括可靠地生成解剖学缩略图