XiaoMi-AI文件搜索系统
World File Search System成像
开放访问一系列成像研究（OASIS）：年轻，中年，非痴呆和痴呆的老年人的横截面MRI数据
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选
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
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
社论：肿瘤学的人工智能和成像
人工智能（AI）和成像技术的最新进展显着改变了肿瘤学的诊断和治疗景观（1-3）。越来越多的成像方式，例如CT，PET，US和MRI，正在越来越多地用于肿瘤成像（4-7），而新兴的跨学科领域（例如MR-LINAC）获得了相当多的牵引力（8，9）。肿瘤学中成像和治疗的这种加速融合强调，迫切需要进一步探索包括放射治疗在内的各种肿瘤学专业的AI和成像以增强癌症护理的作用。应对这种需求，提出了标题为“肿瘤学中的人工智能和成像”的主题，从而汇总了149名领域的作者/专家的19项贡献。这些贡献深入研究了AI和成像在肿瘤诊断和治疗中的潜力，探讨了新兴的AI驱动模型，以进行肿瘤学诊断和预测，并强调了从医学图像中提取定量特征以预测肿瘤行为，治疗反应和患者预后。
用于肿瘤成像的叶酸受体靶向 PET 放射性药物的开发——从实验室到临床的历程
摘要：叶酸受体-α（FR-α）在许多上皮癌中过度表达，包括卵巢癌、子宫癌、肾癌、乳腺癌、肺癌、结肠癌和前列腺癌，但在肾脏、唾液腺、脉络丛和胎盘等正常组织中表达有限。因此，FR-α已成为向FR阳性肿瘤输送治疗剂和成像剂的有希望的靶点。已经开发了一系列基于叶酸的PET（正电子发射断层扫描）放射性药物，用于选择性靶向FR阳性恶性肿瘤。本综述概述了迄今为止关于叶酸衍生的PET放射性结合物的设计、放射合成和用于靶向FR阳性肿瘤的效用的研究进展。本文主要介绍了用氟-18（t 1 / 2 = 109.8 分钟）和镓-68（t 1 / 2 = 67.7 分钟）标记的叶酸放射性结合物的结果，但也讨论了用“外来”和新 PET 放射性核素标记的叶酸，例如铜-64（t 1 / 2 = 12.7 小时）、铽-152（t 1 / 2 = 17.5 小时）、钪-44（t 1 / 2 = 3.97 小时）、钴-55（t 1 / 2 = 17.5 小时）和锆-89（t 1 / 2 = 78.4 小时）。对于肿瘤成像，迄今为止报道的 PET 放射性标记叶酸中，除了 [ 18 F]AzaFol 之外，没有一种完成了从实验室到临床的旅程，该药物在一项多中心首次人体试验中成功用于转移性卵巢癌和肺癌患者。然而，在不久的将来，我们预计会有更多基于叶酸的 PET 放射性药物的临床试验，因为临床对成像和 FR 相关恶性肿瘤的治疗越来越感兴趣。
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。
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。
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。
用计算机视觉和人工智能革新医学成像
Revolutionising Medical Imaging with Computer Vision and Artificial Intelligence Edited by Seema Bhatnagar, Priyanka Narad, Rajashree Das and Debarati Paul This book first published 2024 Cambridge Scholars Publishing Lady Stephenson Library, Newcastle upon Tyne, NE6 2PA, UK British Library Cataloguing in Publication Data A catalogue record for this book is available from the British Library Copyright © 2024年，Seema Bhatnagar，Priyanka Narad，Rajashree Das，Debarati Paul和本书保留的所有权利。未经版权所有者事先许可，以任何形式或以任何形式或以任何形式（任何形式），以任何形式或以任何形式的方式，以任何形式或以任何形式）复制了本书的一部分，以任何形式或以任何形式或以任何方式传输。ISBN：978-1-0364-1061-2 ISBN（电子书）：978-1-0364-1062-9ISBN：978-1-0364-1061-2 ISBN（电子书）：978-1-0364-1062-9
