XiaoMi-AI文件搜索系统
World File Search System射靶
砹-211 标记金纳米粒子用于静脉注射靶向 α 粒子治疗
nm 211 At-AuNPs@H16 和 5 nm 211 At-AuNPs@H16/RGD 的设计如图 1 所示。通过 TEM、DLS 和 UV-Vis 对合成的表面改性 AuNPs 进行评估，结果如图 S1 和表 S1 所示。发现所有类型的 AuNP 都近似为球形并且相当单分散。不同的表面改性影响了它们的 zeta 电位。mPEG 修饰的 AuNPs 在水溶液中分散性良好。两种肽修饰的 AuNPs 在改性过程中在作为溶剂的水中聚集，而在 PB 中分散且稳定
通过圆形平面磁控管上的动态等离子体运动实现“清洁”溅射靶材的工艺优势
• 大致分为小FFE（3”-8”靶材）和大FFE（10”-17”靶材） • 靶材利用率高，镀膜均匀性好 • 半导体、研发、贵金属溅射、光学
通过玻璃体内注射靶向灵长类动物视网膜的定向演变
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2021年6月25日发布。 https://doi.org/10.1101/2021.06.24.449775 doi：biorxiv preprint
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。