XiaoMi-AI文件搜索系统
World File Search System平面图像
人工智能在超声心动图实验室中的强大功能
在我们的实验室，我们从心尖视图的三平面图像开始成像。三平面图像本质上是三个不同角度的同步图像，在同一心跳中提供四腔、二腔和三腔视图。这使我们能够可视化和访问心壁的各个方面，检测壁运动异常，并使用 AFI 包测量整体纵向应变。它还通过 AI 视图识别和自动轮廓绘制提供双平面射血分数，并且速度很快。除此之外，三平面视图还使我们能够评估图像质量并立即确定我们是否需要回声对比，并可以提前开始规划。当我告诉人们这一点时，他们会说，“你为什么从那个 [视图] 开始？” 我说，“那么，我们为什么要从胸骨旁长轴开始？”
硅阳极固态电池中的断裂动力学
图1：来自Operando XCT的实验设计和选定图像。（a）操作XCT细胞设计，成像和图像重建过程的示意图。（b）在0.5 mA CM -2电流密度，10 MPa堆栈压力和25°C下，在Operando XCT实验中循环的硅半细胞的电静态电压谱图。XCT图像是在第一次锂化之前和之后收集的，然后在划界和重新构度期间每15分钟收集一次。（c）从XCT数据中重建单元堆的3D渲染，突出显示了不同的2D切片。（d）垂直横截面图像显示了（i）原始的硅/LPSC界面，（ii）锂化，（iii）界定，（iii）截然不见，（iv）重新列为较高的状态，false-Color叠加层，突出显示了（I）中的硅和LPSC。（E-G）平面图像来自（e）锂化，（f）删除和（g）重新列为的硅电极中点的平面图像。
朝着学习模拟年际水...
在气候模型中模拟稳定水同位素体（即同位素组成不同的分子）的丰度，可以与代理数据进行比较，从而检验有关过去气候的假设并在不同的气候条件下验证气候模型。然而，许多模型在运行时并没有明确模拟水同位素体。我们研究了使用机器学习方法取代基于物理的降水中氧同位素组成的明确模拟的可能性。这些方法针对给定的表面温度和降水量场，估计每个时间步长的同位素组成。我们基于成功的 UNet 架构实现卷积神经网络 (CNN)，并测试球形网络架构是否优于将地球经纬度网格视为平面图像的简单方法。我们使用 iHadCM3 气候模型对过去一千年的运行情况进行案例研究，发现同位素组成时间变异的约 40% 可以通过跨年和月度时间尺度的模拟来解释，且模拟质量在空间上存在差异。经测试的 CNN 性能显著优于简单的基线模型，例如随机森林和逐像素线性回归。针对平面图像的标准 UNet 架构的修改版本，其预测结果与球形 CNN 的预测结果相当。不同气候模型中同位素实现方式的差异，可能导致在使用与训练模型不同的气候模型获取的数据进行测试时，模拟结果出现显著下降。未来稳定水同位素模拟的研究方向可能侧重于实现稳健的气候-氧同位素关系，或探索可能的预测变量集。
放射科医生、非放射科医生和普通人从“墨卡托地图”曲线重建中识别大脑皮层萎缩儿童的准确性
背景：使用文本报告向父母和对赔偿权提出异议的法律专业人士传达患有长期缺氧缺血性损伤 (HII) 的儿童的双侧、对称性和区域性皮质脑萎缩可能很困难。使用标准的横截面图像向外行人解释双侧、区域性脑成像也具有挑战性。大脑表面的单一平面图像，就像从地球仪中得出地球地图一样，可以通过磁共振成像 (MRI) 扫描的曲面重建生成，即墨卡托地图。外行人在未经事先培训的情况下识别异常“墨卡托脑图”的能力需要在非医疗环境中使用前进行评估。目的：确定外行人在未经事先培训的情况下检测异常儿童墨卡托平面脑图的灵敏度和特异性。方法和材料：向 111 名参与者分别提供 10 张墨卡托脑图。这些地图包括 5 个 HII、1 个皮质发育不良和 4 个正常病例。参与者需要识别异常扫描。计算了总体和参与者亚组的敏感性和特异性。结果：总体敏感性和特异性分别为 67% 和 80%。普通放射科医生（n = 12）的敏感性和特异性分别为 91.2% 和 94.6%。外行人（n = 54）的敏感性为 67%，特异性为 80%。结论：放射科医生的高特异性和敏感性验证了该技术在区分皮质病理异常扫描方面的有效性。外行人使用墨卡托地图识别异常大脑的高特异性表明，这是一种向外行人展示儿童 HII 皮质 MRI 异常的可行沟通工具。
BrainForge：用于综合神经影像采集、分析和共享的在线数据分析平台
1. Morita T、Asada M、Naito E。神经影像学研究对理解人类认知大脑功能发展的贡献。Front Hum Neurosci。2016；10：464。doi：10.3389/fnhum.2016.00464 2. Bandettini PA。神经影像学方法有什么新进展？Ann NY Acad Sci。2009；1156：260-293。doi：10.1111/j.1749-6632.2009.04420.x 3. Verner E、Baker BT、Bockholt J 等人。使用 BrainForge 加速神经影像学研究。Gateways 2020，会议改善生物医学研究的数据使用； 2020 年 10 月 21 日。4. Poldrack RA、Baker CI、Durnez J 等人。扫描地平线：迈向透明和可重复的神经影像学研究。Nat Rev Neurosci。2017；18(2):115-126。doi: 10.1038/nrn.2016.167 5. Gorgolewski K、Poldrack R。提高神经影像学研究透明度和可重复性的实用指南。PLOS Biol。2016；14:e1002506。doi: 10.1371/journal.pbio.1002506 6. Baker M。1,500 名科学家揭开可重复性的面纱。Nature。2016；533(7604):452-454。 doi: 10.1038/533452a 7. Scott A、Courtney W、Wood D 等人。COINS：为大型异构数据集构建的创新信息学和神经成像工具套件。Front Neuroinform。2011；5：33。doi: 10.3389/fninf.2011.00033 8. Yoo AB、Jette MA、Grondona M。SLURM：用于资源管理的简单 Linux 实用程序。引自：Feitelson D、Rudolph L、Schwiegelshohn U 编。并行处理的作业调度策略。JSSPP 2003。计算机科学讲义。Springer；2003：44-60。9. Avesani P、McPherson B、Hayashi S 等人。开放扩散数据衍生物、通过衍生物的集成发布和可复制的开放云服务进行脑数据升级。 Sci Data 。2019；6(1)：69。doi：10.1038/s41597-019-0073-y 10. Flywheel。为医疗和研究领域的数字化转型提供动力。2021 年 5 月 14 日访问。flywheel.io 11. Kurtzer GM、Sochat V、Bauer MW。Singularity：用于移动计算的科学容器。PLoS One。2017；12(5)：e0177459。doi：10.1371/journal.pone。0177459 12. Merkel D。Docker：用于一致开发和部署的轻量级 Linux 容器。Linux J 。2014；239：2。13. Ashburner J、Barnes G、Chen CC 等人。SPM12 手册。第 2464 卷。威康信托神经影像中心；2014 年。14. Smith SM、Jenkinson M、Woolrich MW 等人。功能性和结构性 MR 图像分析进展以及作为 FSL 的实现。神经影像。2004 年；23 (Suppl 1)：S208-S219。doi: 10.1016/j.neuroimage.2004.07.051 15. Cox RW。AFNI：用于分析和可视化功能性磁共振神经影像的软件。Comput Biomed Res。1996 年；29(3)：162-173。doi: 10. 1006/cbmr.1996.0014 16. Cox RW、Hyde JS。用于分析和可视化 fMRI 数据的软件工具。NMR Biomed。 1997；10(4–5)：171-178。doi：10.1002/(SICI)1099- 1492(199706/08)10:4/5<171::AID-NBM453>3.0.CO；2-L 17. fMRI 工具箱的 Group ICA (v4.0c)。神经影像和数据科学转化研究中心。2021 年 5 月 6 日访问。https://trendscenter. org/software/gift/ 18. TReNDS 中心。Docker, Inc.访问日期：2022 年 1 月 13 日。https://hub.docker.com/orgs/trendscenter/repositories 19. 神经影像和数据科学转化研究中心。GitHub, Inc. https://github.com/trendscenter/ 20. Gorgolewski K、Burns CD、Madison C 等人。Nipype：一个灵活、轻量且可扩展的 Python 神经影像数据处理框架。Front Neuroinform。2011；5：13。doi：10.3389/fninf.2011.00013 21. GorgolewskiKJ、AuerT、CalhounVD 等人。Thebrainimagingdatastructure，一种组织和描述神经影像实验输出的格式。Sci Data。2016；3(1)：160044。 doi: 10.1038/sdata.2016.44 22. FosterI.Globusonline：通过云服务加速和民主化科学。IEEEInternetComput。2011；15(3)：70-73。doi: 10.1109/MIC。2011.64 23. Allen B、Bresnahan J、Childers L 等人。面向数据科学家的软件即服务。Commun ACM。2012；55(2)：81-88。doi: 10.1145/2076450.2076468 24. Calhoun VD、Adali T、Pearlson GD、Pekar JJ。一种使用独立成分分析从功能性 MRI 数据进行组推断的方法。Hum Brain Mapp。2001；14(3)：140-151。 doi: 10.1002/hbm.1048 25. Allen E、Erhardt E、Damaraju E 等。静息状态网络多变量比较的基线。Front Syst Neurosci。2011；5：2。doi: 10.3389/ fnsys.2011.00002 26. Allen EA、Damaraju E、Plis SM、Erhardt EB、Eichele T、Calhoun VD。跟踪静息状态下的全脑连接动态。大脑皮层。2014；24(3)：663-676。doi: 10.1093/cercor/bhs352 27. Ashburner J、Friston KJ。基于体素的形态测量——方法。神经影像学。2000；11(6)：805-821。 doi: 10.1006/nimg.2000.0582 28. Fischl B. FreeSurfer。神经影像学。2012；62(2):774-781。doi: 10.1016/j.neuroimage.2012.01.021 29. Andersson JLR、Sotiropoulos SN。一种用于校正扩散 MR 成像中的偏共振效应和受试者运动的综合方法。神经影像学。2016；125:1063-1078。doi: 10.1016/j.neuroimage.2015.10.019 30. Andersson JL、Skare S、Ashburner J。如何校正自旋回波平面图像中的磁化率畸变：应用于扩散张量成像。神经影像学。 2003；20(2):870-888。doi: 10.1016/s1053-8119(03)00336-7 31. Andersson JLR、Graham MS、Drobnjak I、Zhang H、Filippini N、Bastiani M。面向扩散 MR 图像运动和失真校正的综合框架：体积运动内。神经影像学。2017；152:450-466。doi: 10.1016/j.neuroimage.2017.02.085 32. CalhounVinceD、MillerR、PearlsonG、Adal 𝚤 T。Thechronnectome：时变连接网络作为fMRIdatadiscovery 的下一个前沿。神经元。2014；84(2):262-274。 doi: 10.1016/j.neuron.2014.10.015 33. Du Y、Fu Z、Sui J 等人。NeuroMark：一种基于自动化和自适应 ICA 的管道，用于识别可重复的 fMRI 脑部疾病标记物。神经影像：临床。2020；28：102375。doi: 10.1016/j.nicl.2020.102375 34. Griffanti L、Zamboni G、Khan A 等人。BIANCA（脑强度异常分类算法）：一种用于自动分割白质高信号的新型工具。神经影像学。2016；141：191-205。doi：10.1016/j.neuroimage.2016.07.018