XiaoMi-AI文件搜索系统
World File Search System成像
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
鹌鹑中经液的心脏成像-USC Dornsife
禽心和哺乳动物心以类似的方式将血液传递到肺和身体[Sturkie的鸟类生理学，第五版]。鸟类和哺乳动物具有房屋和心室隔s，可以在氧化和脱氧的血液之间分离，并完全分离全身和肺部循环。通过大型骑士静脉从体内从人体返回到右心房。脱氧的血液移至右心室，在该心室被加压以进行肺循环。血液转储其二氧化碳，并通过肺毛细血管获取O2。与哺乳动物一样，新近充氧的血液通过四个大肺静脉回到左心房。含氧血液移至左心室，在那里加压以进行全身循环。
论人工智能在 COVID-19 医学成像中的作用
1 IBM 欧洲研究中心，瑞士苏黎世 2 苏黎世联邦理工学院生物系统科学与工程系，瑞士苏黎世 3 IBM 阿尔马登研究中心，美国加利福尼亚州圣何塞 4 视觉放射学，美国德克萨斯州达拉斯 5 犹他大学健康科学中心放射学和影像科学系，美国犹他州盐湖城 6 塞顿医学中心放射学系，美国加利福尼亚州戴利城 7 阿苏塔医学中心放射学系，以色列特拉维夫 8 本·古里安大学医学院，以色列贝尔谢巴 9 耶路撒冷希伯来大学医学院哈达萨-希伯来大学医学中心放射学系，以色列耶路撒冷 10 盖伊和圣托马斯 NHS 基金会皇家布罗姆普顿和哈里菲尔德医院，英国伦敦 11 切尔西和威斯敏斯特医院，英国伦敦 12 伦敦帝国理工学院国家心肺研究所，英国伦敦 13 布鲁内尔大学健康、医学与生命科学学院伦敦，英国伦敦 14 IBM 海法研究中心，以色列海法 15 耶路撒冷希伯来大学医学院，以色列耶路撒冷 *通信地址：jab@zurich.ibm.com (JB)，beymer@us.ibm.com (DB) https://doi.org/10.1016/j.patter.2021.100269
用于自然光未校准光度立体成像
自然光未校准光度立体 (NaUPS) 减轻了传统未校准光度立体 (UPS) 方法中严格的环境和光线假设。然而，由于内在的不适定性和高维模糊性，解决 NaUPS 仍然是一个悬而未决的问题。现有工作对环境光和物体材质施加了强有力的假设，限制了更一般场景中的有效性。或者，一些方法利用复杂模型的监督学习，但缺乏可解释性，导致估计有偏差。在这项工作中，我们提出了自旋光未校准光度立体 (Spin-UP)，这是一种无监督方法，用于解决各种环境光和物体中的 NaUPS。所提出的方法使用一种新颖的设置，在可旋转的平台上捕获物体的图像，通过减少未知数来减轻 NaUPS 的不适定性，并提供可靠的先验来缓解 NaUPS 的模糊性。利用神经逆向渲染和所提出的训练策略，Spin-UP 可以以较低的计算成本恢复复杂自然光下的表面法线、环境光和各向同性反射率。实验表明，Spin-UP 优于其他监督/无监督 NaUPS 方法，并在合成和真实世界数据集上实现了最先进的性能。代码和数据可在 https://github.com/LMozart/CVPR2024-SpinUP 获得。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet
创伤性的计算机断层扫描成像评估...
背景：计算机断层扫描 (CT) 仍然是创伤性脑损伤 (TBI) 成像评估的金标准。TBI 本身因其不良影响已成为发展中国家的主要问题。目的：目的是评估患有 TBI 的患者的颅脑计算机断层扫描图像。材料和方法：对 2013 年 11 月 13 日至 2019 年 5 月 31 日期间在尼日利亚乌约大学教学医院因头部受伤而接受颅脑 CT 检查的患者进行了回顾性研究。持续时间与服务中断的不连贯时间无关。应用简单的数据分析评估了患者的人口统计学和 CT 特征。结果：评估了 232 名患者，最小年龄为 6 个月，最大年龄为 78 岁。男性患者占多数，比例为 2.74:1。受影响最大的年龄段为 30-39 岁（23.27%）和 20-29 岁（22.84%）。44 名患者（18.97%）的脑 CT 正常。CT 异常患者中最常见的病变是颅内出血（n = 188，81.03%）。其中，脑外出血（n = 100，53.19%）超过脑内出血（n = 88，46.81%）。一半的脑内出血是多发性的。34.48%（n = 80）的患者出现颅骨骨折。最常见的部位是面骨（n = 24，30.00%），而最少见的部位是枕骨（n = 4，5.00%）。15% 的患者有多处骨折，其中还包括颅底。结论：TBI 在年轻活跃男性中很常见。最常见的病变是伴有外轴偏向的颅内出血。
使用临床前成像技术探索啮齿动物模型中的大脑功能原理及其与人类精神疾病的相关性
亲爱的编辑，我们最近在《转化精神病学》上发表了一篇文章，探讨了在全脑水平上评估脑功能的策略 [1]。在这篇评论中，我们介绍了几种方法，从功能性磁共振成像到功能性超声再到钙成像。对于每一种技术，我们都简要介绍了它的发展历史、物理概念、一些关键应用、潜力和局限性。我们得出的结论是，在网络水平上对啮齿动物大脑进行成像的方法正在不断发展，并将增进我们对大脑功能的理解。Zhuo 和同事的一篇评论进一步增加了解决精神病学学科从动物模型到患者的“转化”问题的复杂性 [2]。他们提出，需要彻底审查用于开发精神疾病动物模型的方法，甚至可能需要修改。例如，迄今为止，大多数精神疾病的啮齿动物模型都是使用简单的药物输注 [3] 和/或社会心理刺激 [4] 建立的。然而，关键问题是这些操作如何改变大脑的结构和功能，以及这些模型是否真正反映了人类精神疾病的病理生理学。特别是因为很难评估是否可以说从啮齿动物到人类存在逆向推理。这是一个真实且可以接受的说法。然而，这正是临床前成像旨在实现的。通过绘制动物模型中大脑网络的动态响应，并将其（如果可能）与临床研究中报告的响应进行比较，我们可以获得定量数据和参数，以确定我们的模型是否有效转化 [ 5 ]。如果这些指标表明网络级修改在时间和空间上与在人类中观察到的相似，我们可以利用更具侵入性和更具体的方法来进一步研究动物模型中的大脑记录。否则，我们必须有信心和正确性继续前进并尝试其他解决方案。最近有两个例子。 2019 年，我们证实了小鼠蓝斑核 (LC) 去甲肾上腺素能活性与大量大型脑网络（尤其是突显网络和杏仁核网络）的参与之间存在因果关系 [6]。此外，我们还可以将网络变化与去甲肾上腺素 (NE) 周转的直接标志物以及 NE 受体在整个脑部的分布联系起来。特定脑网络动态与 LC 活性和 NE 受体密度相关的假设源自人类压力研究和药理学研究 [7,8]。然而，由于不可能选择性地刺激人类的 LC，因此十多年来，这一假设一直只是一个假设。
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得