XiaoMi-AI文件搜索系统
World File Search System图像重建
双引导脑扩散模型：从人类视觉刺激 fMRI 进行自然图像重建
摘要：从记录大脑活动的 fMRI 信号中重建视觉刺激是一项具有挑战性的任务，在神经科学和机器学习领域具有重要的研究价值。先前的研究倾向于强调重建刺激图像的像素级特征（轮廓、颜色等）或语义特征（对象类别），但通常这些属性不会一起重建。在这种情况下，我们介绍了一种新颖的三阶段视觉重建方法，称为双引导脑扩散模型 (DBDM)。首先，我们使用非常深的变分自动编码器 (VDVAE) 从 fMRI 数据中重建粗略图像，捕捉原始图像的底层细节。随后，使用引导语言图像预训练 (BLIP) 模型为每个图像提供语义注释。最后，利用多功能扩散 (VD) 模型的图像到图像生成管道从由视觉和语义信息引导的 fMRI 模式中恢复自然图像。实验结果表明，DBDM 在定性和定量比较方面均超越了以前的方法。特别是，DBDM 在重建原始图像的语义细节方面取得了最佳性能；Inception、CLIP 和 SwAV 距离分别为 0.611、0.225 和 0.405。这证实了我们模型的有效性及其推动视觉解码研究的潜力。
利用人工智能（AI）技术探究CT图像重建方法的物理特性
目的：我院于2021年2月引进的计算机断层扫描（CT）设备增加了利用人工智能（AI）技术的新型图像重建方法。这种重建方法被称为深度学习重建（Deep Learning Reconstruction，以下简称DLR），佳能称之为高级智能Clear-IQ引擎（Advanced intelligent Clear-IQ Engine，以下简称AiCE）。本研究的目的是评估各重建方法的物理特性和实用性，例如利用AI技术的新型图像重建方法AiCE和目前我院使用的迭代重建方法自适应迭代剂量减量3D（以下简称AIDR 3D）。 方法：通过（1）噪声评估（使用径向频率法测量噪声功率谱（NPS））、（2）低对比度分辨率评估（使用自制模型测量对比度噪声比（CNR））和（3）空间分辨率评估（使用圆边缘法测量调制传递函数（MTF））（1）来评估物理特性。假设成像条件为腹部区域，改变管电流来比较四种重建方法（滤波反投影 (FBP)、AIDR 3D Mid、AIDR 3D 增强 Mid 和 AiCE Body Mid）。 结果：在 NPS、CNR 和 MTF 测量中，AiCE 通常在所有 mAs 值下均显示出最佳结果。然而，在 NPS 测量的低频区域，AiCE 与其他重建方法相比并没有表现出显著差异。 此外，当比较 AIDR 3D 和 AiCE 的重建时间时，AiCE 所花的时间是 AIDR 3D 的 3 到 4 倍。 结论：本研究中，AiCE 在腹部条件下检查的三个物理特性方面优于 AIDR 3D，并且在图像质量方面有用。然而，在考虑重建时间时，需要考虑AiCE图像的运行可能会影响检查进度的可能性。
用于医学图像重建的量子计算
数据由英国伯明翰伊丽莎白女王医院提供。Symbia Pro.specta 并非在所有国家/地区上市。无法保证未来上市。请联系您当地的西门子医疗组织了解更多详情。[a] 金属伪影的减少量和相应的图像质量改善取决于许多因素，包括：金属物体的成分和大小、患者体型、解剖位置和临床实践。除了不使用 iMAR 的常规重建外，建议在启用 iMAR 的情况下进行重建。
功能性近端脑空间图像重建...
均值最大熵 (MEM)4-6 和深度补偿 7 到加权最小范数 (WMN) 或 Tikhonov 正则化。根据我们的经验，由于正则化方法的性质，这些方法往往会高估假阳性率。8 先前的研究 9-11 建立了贝叶斯模型，结合皮质/头皮区域的先验信息、灵敏度归一化等，以消除头皮伪影、提高深度精度和空间分辨率以及进行多主体和多任务实验。然而，大脑功能区域的大脑解剖结构的先验空间信息从未在当前的 fNIRS 图像重建方法中得到适当使用。在本文中，我们描述了一种用于 fNIRS 图像重建的自适应融合稀疏重叠组套索 (a-FSOGL) 正则化方法。a-FSOGL 模型使用脑空间体素分组先验（例如来自基于图谱的感兴趣区域）来规范图像重建过程。为了更好地利用先验信息，我们开发了一个贝叶斯框架，通过将先验信息与适当的统计分布结合起来来解决该模型。该框架是基于先前对贝叶斯套索模型及其扩展的研究 12 – 16 建立的。我们的模型通过组合现有模型并涉及更多先验参数，将贝叶斯套索模型向前扩展了一步。在本文中，我们将首先简要回顾光学正向和逆模型的原理，然后推导出 a-FSOGL（Ba-FSOGL）的贝叶斯模型及其相关的统计属性，然后使用模拟 fNIRS 测量和实验数据演示该方法。本文的结构如下。理论部分（第 2 部分）概述了光学正向模型。在方法部分（第 3 和 4 部分），我们描述了 Ba-FSOGL 模型、模拟配置和实验数据收集。图像重建和统计推断的结果显示在第 4 部分中。 5，我们最后在第 6 节中讨论结果的发现和模型的局限性。在模拟研究中，我们重点关注前额最近邻双侧 fNIRS 探头的示例，并检查推断由基于图谱的布罗德曼区域 (BA) 分区定义的额叶和背外侧大脑区域变化的能力，然而，实验研究表明，这种方法可作为先验信息适用于任何大脑空间分区模型。
通过基于有效几何深度网络的生成对抗网络从脑电信号中实现视觉显著性和图像重建
摘要：了解大脑感知外界输入数据的功能是神经科学的一大目标。神经解码有助于我们模拟大脑活动和视觉刺激之间的联系。通过这种建模可以实现从大脑活动重建图像。最近的研究表明，视觉显著性是图像刺激的重要组成部分，它给大脑活动留下了深刻的印象。本文提出了一个深度模型，通过视觉显著性从脑电图 (EEG) 记录中重建图像刺激。为此，我们训练了基于几何深度网络的生成对抗网络 (GDN-GAN)，将 EEG 信号映射到每个图像对应的视觉显著性图。所提出的 GDN-GAN 的第一部分由切比雪夫图卷积层组成。所提出的网络的 GDN 部分的输入是基于功能连接的 EEG 通道图形表示。 GDN 的输出被施加到所提出的网络的 GAN 部分以重建图像显著性。所提出的 GDN-GAN 使用 Google Colaboratory Pro 平台进行训练。显著性指标验证了所提出的显著性重建网络的可行性和效率。训练后的网络的权重用作初始权重来重建灰度图像刺激。所提出的网络实现了从 EEG 信号进行图像重建。
利用人工智能和计算几何从卫星图像重建 3D 环境以用于混合现实
得益于人工智能和计算几何，高分辨率卫星图像源的增加和可用性的提高使得能够越来越快速地重建忠实的 3D 制图环境，以满足部队训练设备模拟的需求，特别是混合现实可视化。我们开发了一种操作自动化管道，可以从多立体卫星图像中自动生成数字地形模型和正射影像。多立体影像和简单的正射影像也可以生成用于描述遮罩（建筑物、树木）的几何图形所需的额外 3D 矢量资产。此外，我们的管道允许识别屋顶形状和自动对建筑物进行纹理处理，使用一种结合人工智能和程序建模的混合方法。提供以自动方式生成的优化 3D 图块格式（CESIUM 推广的 OGC 标准），可以在各种可视化引擎中大规模传播生成的信息。最后，在混合现实（Microsoft HoloLens 2）的背景下，将虚拟对象集成到真实场景中，可以计算现场场景的掩星。这些进步为快速且经济高效地生成大规模地形提供了突破性技术，为模拟中的自动场景生成（虚幻引擎 5）提供了必要的精度。
功能区域图像重建在利用丘脑底核-深部脑刺激治疗帕金森病的编程中的新应用
必须根据每位患者的临床表现进行量身定制。许多因素都有助于取得积极的 DBS 效果，包括精心选择患者、放置导线和有效编程（6）。只有 DBS 编程可以在患者植入后进行修改，因此，DBS 编程在改善临床结果方面起着至关重要的作用（7）。尽管如此，30 年来，编程一直是一个手动且耗时的过程，需要训练有素且经验丰富的临床医生才能使每位患者获得最大的治疗效果（8、9）。在随访期间通常会组织其他课程来处理刺激引起的副作用（例如，言语问题和刺激引起的运动障碍）或潜在帕金森病的恶化。虽然这些重新编程课程的效用已得到充分证实，但尚无指导方针，而且大多数这些变化依赖于少数开放标签研究的结果（10-12）。事实上，尽管DBS已应用近三十年，但目前仍缺乏系统的编程协议，导致刺激调整不一致且效率低下，以及患者多次或不必要的就诊。本中心利用图像重建技术重建核和电极，并以此指导编程，取得了满意的效果。
PET 图像重建的人工智能
人工智能 (AI) 继续对物理学、自然语言处理、金融、人力资源、图像处理、蛋白质折叠 ( 1 ) 和病毒突变预测 ( 2 ) 等众多高度多样化的领域产生显著影响。广义上讲，人工智能是任何能够从示例数据或经验中学习如何执行任务的技术。这项技术与人类程序员或工程师提供大量且详尽的指令以执行任务的传统模式形成鲜明对比。人工智能的力量毋庸置疑，但与其他突破性技术一样，它的采用最初会引发担忧、怀疑甚至道德问题。特别是，人工智能在医学成像领域的应用已显示出巨大的潜力 ( 3 )，但一个关键问题是，当患者的生命经常受到威胁时，我们在多大程度上可以信任人工智能形成用于指导临床决策的图像。这篇简短的文章将探讨人工智能在 PET 图像形成或重建方面的方法、优势和问题（4），并将重点关注人工智能的一个分支学科，即深度学习（5）。我们将定义深度学习，然后将这个术语与人工智能互换使用。
自监督自然图像重建和大型...
从 fMRI 脑记录中重建自然图像并解码其语义类别是一项挑战。获取足够多的图像对及其相应的 fMRI 响应（这些响应涵盖了巨大的自然图像空间）是难以实现的。我们提出了一种新颖的自监督方法，该方法远远超出了稀缺的配对数据，用于实现：（i）最先进的 fMRI 到图像重建，以及（ii）首次从 fMRI 响应进行大规模语义分类。通过在一对深度神经网络（从图像到 fMRI 和从 fMRI 到图像）之间施加循环一致性，我们在来自许多新颖语义类别的大量“未配对”自然图像（没有 fMRI 记录的图像）上训练我们的图像重建网络。这使得我们的重建网络能够适应非常丰富的语义覆盖，而无需任何明确的语义监督。具体而言，我们发现将我们的自监督训练与高级感知损失相结合，可以产生新的重建和分类能力。具体来说，这种感知训练能够很好地对从未见过的语义类别的 fMRI 进行分类，而无需在训练期间使用任何类别标签。这带来了：（i）前所未有的从从未见过的图像的 fMRI 图像重建（通过图像指标和人工测试进行评估），以及（ii）在网络训练期间对从未见过的类别进行大规模语义分类。以前从未证明过从 fMRI 记录中进行如此大规模（1000 种）语义分类。最后，我们为所学模型的生物一致性提供了证据。