XiaoMi-AI文件搜索系统
World File Search System加权
基于扫描仪的实时 3D 脑+身体切片到体积重建，用于 T2 加权 0.55T 低场胎儿 MRI
目的 将 SVRTK 方法集成到 Gadgetron 框架中，可以在低场 0.55T MRI 扫描仪中在扫描持续期间自动进行 3D 胎儿大脑和身体重建。方法 通过将适用于低场 MRI 的自动可变形和刚性切片到体积 (D/SVR) 重建与基于实时扫描仪的 Gadgetron 工作流程相结合，实现基于深度学习、集成、稳健且可部署的工作流程，从几个运动损坏的单独 T2 加权单次 Turbo Spin Echo 堆栈中产生超分辨率 3D 重建的胎儿大脑和身体。在 12 个前瞻性获取的胎儿数据集中，从胎龄 22-40 周的范围对流程的图像质量和效率进行定性评估。结果 重建在获取最终堆栈后平均 6:42 ± 3:13 分钟内可用，并且可以在正在进行的胎儿 MRI 扫描期间在扫描仪控制台上进行评估和存档。输出图像数据质量被评为良好至可接受的水平。对 83 个 0.55T 数据集进行的管道额外回顾性测试表明，低场 MRI 的重建质量稳定。结论 所提出的管道允许基于扫描仪的低场胎儿 MRI 前瞻性运动校正。这项工作的主要新颖部分是将自动化胎儿和身体 D/SVR 方法汇编成一个组合管道，首次将 3D 重建方法应用于 0.55T T2 加权数据，以及在线集成到扫描仪环境中。
用于临床研究的 T1 加权脑部 MRI 扫描的自动质量控制：方法比较和质量预测分类器的设计
不均匀对比度评分 (ICR) 优化 WM 段内的全局标准偏差，并通过最小问题对比度进行缩放；从 A+（质量优秀到 F 不可接受/质量失败）评分 均方根分辨率 (RES) 体素大小的均方根值；从 A+（质量优秀到 F 不可接受/质量失败）评分 加权平均图像质量评分 (IQR)
糖尿病患者加权贝叶斯信念网络
糖尿病是一种持久的代谢疾病，这是由于血糖水平升高而导致的，这是由于体内胰岛素的不良产生或对体内胰岛素的无效利用而产生的。印度通常被标记为“世界糖尿病之都”，这是由于这种情况的广泛流行。根据国际糖尿病联合会报道，在2021年9月最新的作者最新知识最新的最新知识更新，据报道，印度约有7700万成年人受到糖尿病的影响。由于隐藏的早期症状，许多糖尿病患者无法诊断，导致治疗延迟。虽然已经利用计算智能方法来提高预测率，但这些方法的显着部分缺乏可解释性，这主要是由于它们固有的黑匣子性质。规则提取经常用于阐明机器学习算法固有的不透明性质。此外，为了解决黑匣子性质，使用了一种基于加权贝叶斯关联规则挖掘的强大规则的方法，以便提取的诊断糖尿病等疾病的提取规则可以非常透明，并且可以由临床专家易于分析，从而增强可解释性。使用UCI机器学习存储库来构建WBBN模型，证明了95.8％的性能精度。
通过监督的视图贡献加权
最近基于深度学习的多视图人检测（MVD）方法在现有数据集上显示出令人鼓舞的结果。但是，当前方法主要在具有数量有限的多视图框架和固定相机视图的小型单个场景上进行培训和评估。结果，这些方法可能不可行，可以在更大，更复杂的场景中检测出严重的阻塞和摄像机误差错误。本文着重于通过开发有监督的观点加权方法来改善多视图人的检测，该方法可以更好地融合大型场景下的多相机信息。此外，还采用了大型合成数据集来增强模型的概括性，并实现了更实际的评估和比较。通过简单的域适应技术进一步证明了模型在新测试场景上的性能。实验结果证明了我们方法在实现有希望的跨场所多视角人检测表现方面的有效性。
使用深度约束的球形反卷积进行扩散加权的磁共振IMA
摘要。目的：扩散加权磁共振成像（DW-MRI）是一种关键成像方法，用于以毫米尺度捕获和建模组织微体系结构。对测量的DW-MRI信号进行建模的常见做法是通过光纤分布函数（FODF）。此功能是下游拖拉学和连通性分析的重要第一步。具有数据共享的最新优势，大规模多站点DW-MRI数据集可用于多站点研究。但是，在获得DW-MRI期间，测量变化（例如，间和内部变异性，硬件性能和序列设计）是不可避免的。大多数基于模型的方法[例如，受约束的球形反卷积（CSD）]和基于学习的方法（例如，深度学习）并未明确考虑FODF建模中的这种变异性，从而导致在多现场和/或纵向扩散研究上的性能下降。
一种加权合奏方法，具有多种预训练的深度学习模型用于中风的分类
摘要：中风是全球最致命的疾病之一，强调了早期诊断的关键需求。本研究旨在创建一个两阶段的分类系统，用于中风和非冲程图像，以支持早期临床检测。深度学习（DL）是诊断，检测和及时治疗的基石，是主要方法论。转移学习适应了成功的DL体系结构来解决各种问题，合奏学习结合了多个分类器，以增强结果。这两种技术用于使用中风和正常图像数据集对中风进行分类。在初始阶段，六个预训练的模型是微调的，densenet，Xception和ExcilityNetB2作为表现最佳的人，分别达到98.4％，98.4％和98％的验证精度。这些模型在整体框架中充当基础学习者。加权的平均合奏方法将它们结合在一起，从而在保留的测试数据集中获得了99.84％的精度。这种方法表现出对中风检测的希望，这是一种威胁生命的状况，同时也证明了合奏技术在增强模型性能方面的有效性。
量子退火驱动的单机总加权拖延工件数调度问题的分支定界
本文介绍了一种解决离散优化 NP 难问题的新方法，该方法适用于实现硬件量子退火的量子处理器 (QPU，Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限，使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法，其值在量子机的 QPU 上计算。反过来，为了确定上限，我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的，但本文提出的混合算法构建方法交替使用 CPU 和 QPU，保证了最佳解决方案。作为案例研究，我们考虑 NP 难单机调度问题，最小化延迟作业的加权数量。进行的计算实验表明，在解决方案树的根部已经获得了最优解，并且下限和上限的值仅相差百分之几。
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
机器学习模型能否使用基于扩散加权成像的放射组学改善脑转移的早期检测？
当癌细胞从原发癌部位通过血液扩散并在脑内形成新肿瘤时，就会形成颅内转移，从而导致严重的疾病负担和患者发病率。转移性并发症是约 90% 癌症相关发病率的罪魁祸首 (1)，多达 40% 的癌症患者在其一生中会经历至少一次颅内转移 (2)，其中大多数转移源自肺癌、乳腺癌或黑色素瘤。常规治疗方案包括手术切除、全脑放射治疗、立体定向放射外科 (SRS)、全身治疗或这些方法的组合 (3,4)。在使用 SRS 治疗之前，需要高分辨率磁共振成像 (MRI) 来正确定位转移，以实现局部控制，同时保护周围的健康脑组织。脑转移成像的标准方案是使用钆增强 T1 (Gd-T1) 加权 MRI。脑转移形成伴随着癌细胞侵入组织实质。血管生成和肿瘤生长导致脑内微结构变化。因此，随着转移的发展，水分子的扩散会随时间而变化。扩散加权成像 (DWI) 是一种 MRI 技术，利用体内水分子的动力学来产生对比度 (5)，从而可以对这些微结构变化进行成像，而这些变化在传统的 Gd-T1 上可能无法检测到。此外，由 DWI 生成的表观扩散系数 (ADC) 图提供了定量图像集，允许对在不同时间拍摄的多个 DWI 会话的数据进行定量比较。迄今为止，大多数关于脑转移的 DWI 研究都集中在仅分析一次成像会话或治疗前的一组图像集以及治疗后的一组或几组图像集。我们的机构每年治疗超过 200 名 SRS 患者，其中约 20% 的患者需要重新治疗转移性
通过临床 T1 加权 MRI 预测大脑年龄的可行性
通过 MRI 获得的个人大脑预测年龄减去实际年龄 (brain-PAD) 可成为研究中疾病的生物标志物。然而，尽管医院提供了丰富的临床信息，但来自临床 MRI 的大脑年龄报告却很少。由于临床 MRI 协议用于特定的临床目的，因此需要测试大脑年龄预测在临床数据上的表现。我们探索了使用 DeepBrainNet（一种之前在面向研究的 MRI 上训练过的深度网络）来预测佛罗里达州一家医疗系统的 15 个设施的 840 名患者的大脑年龄的可行性。由于预计我们的临床样本会出现强烈的预测偏差，我们对其进行了表征，以在大脑-PAD 的组级回归中提出一个协变量模型（建议避免 I 型、II 型错误），并测试了它的普遍性，这是在新的单个临床病例中进行有意义的大脑年龄预测的必要条件。最佳的偏差相关协变量模型与扫描仪无关，且与年龄呈线性关系，而估计无偏差脑年龄的最佳方法是与扫描仪无关且与脑年龄函数呈二次函数的倒数。我们证明了使用考虑所选协变量模型的组级回归来检测脑 PAD 中的性别相关差异的可行性。这些差异在偏差校正后得以保留。独立数据中预测的平均误差 (MAE) 约为 8 年，比使用 DeepBrainNet 的研究导向型 MRI 报告大 2-3 年，而 R 2（假设无偏差）分别为未校正和校正脑年龄的 0.33 和 0.76。DeepBrainNet 在临床人群中似乎是可行的，但需要更精确的算法或迁移学习再训练。