XiaoMi-AI文件搜索系统
World File Search System流线
定量流线纤维束成像：方法与交互...
半全局纤维束图优化算法的最新发展为在扩散磁共振成像 (MRI) 领域进行结构纤维“连接性”的定量评估提供了可能性。然而，由于缺乏对这些方法的后果的认识、理解或认识，这些方法在神经科学研究中的正确应用受到了限制；此外，尚未描述以适当方式使用这些工具以充分利用其定量属性所需的具体步骤。因此，本文有三个目的：提高人们对现有工具试图解决众所周知的流线计数非定量性质的认识；说明为什么这些算法以这种方式工作以产生白质“连接性”的定量估计值（以轴突内总横截面积的形式：“纤维束容量 (FBC)”）；并解释如何正确利用这些结果进行跨受试者的定量纤维束成像分析。
SIFT2：利用流线纤维束成像技术对大脑白质连接进行密集定量评估
目标受众：对使用扩散 MRI 流线纤维束成像定量评估大脑白质连接感兴趣的研究人员。目的：由于流线重建过程的非定量性质 [1]，使用扩散 MRI 定量评估大脑白质连接非常困难。针对该问题提出的解决方案包括启发式校正已知的重建偏差 [2,3]（可能无法补偿所有重建误差）或评估连接路径上某些扩散模型参数 [4,5,6]（依赖于该参数的量化和可解释性）。最近，提出了球面反卷积信息纤维束成像滤波 (SIFT) 方法 [7]，通过选择性去除流线，将重建的流线密度与通过扩散信号球面反卷积估计的单个纤维群体积 [8] 进行匹配；完成此过程后，连接两个区域的流线计数变为连接这些区域的白质通路横截面积的估计值（最高可达全局缩放因子）。之前已证明，如果首先应用 SIFT 方法 [9]，大脑连接的定量测量与从人脑解剖估计的特性会更加密切相关。这种方法的缺点是，即使生成了许多流线（计算成本高昂），完成过滤后，流线密度可能非常低（这对于定量分析来说是不可取的 [10,11]）。在这里，我们提出了一种替代解决方案，称为 SIFT2：此方法不是去除流线，而是为每条流线得出合适的加权因子，以使总流线重建与测量的扩散信号相匹配。方法：与原始 SIFT 方法一样，我们执行纤维方向分布 (FOD) 分割，将流线分配给它们穿过的 FOD 叶，并得出一个处理掩模，以减少非白质体素对模型的贡献。我们将离散 FOD 叶 L 的积分表示为 FOD L ，将归因于该叶的流线密度表示为 TD L ，将处理掩模 [7] 在该叶所占体素中的值表示为 PM L ；从这些中我们得出比例系数 μ [7]（等式 1）。每条流线 S 都有一个关联的加权系数 FS 。FOD 叶 L 中的流线密度定义为（等式 2），其中 | SL | 是流线 S 穿过归因于 FOD 叶 L 的体素的长度。目标是找到一组加权系数 FS ，以最小化成本函数 f（等式 3），其中 λ 是用户可选择的正则化乘数，它将流线加权系数约束为与穿过相同 FOD 叶的其他流线相似（等式 4）。使用迭代线搜索算法可以找到解决方案：每个加权系数都经过独立优化，同时考虑一组相关项，这些相关项表示在对每个系数进行独立牛顿更新的情况下所有 L 的 TD L 的估计变化（等式 5）。数据采集和预处理：图像数据是从健康男性志愿者的 3T Siemens Tim Trio 系统（德国埃尔朗根）上采集的。DWI 协议如下：60 个弥散敏化方向，b =3,000s.mm -2，7 b =0 体积，60 个切片，2.5mm 各向同性体素。使用 MPRAGE 序列（TE/TI/TR = 2.6/900/1900ms，9° 翻转，0.9mm 各向同性体素）获取解剖 T1 加权图像。对弥散图像进行了校正以适应受试者运动 [12]、磁化率引起的扭曲 [13] 和 B 1 偏置场 [14]。使用约束球面反卷积 (CSD) [15] 估计纤维取向分布。使用 iFOD2 概率流线算法 [16] 生成了 1000 万条流线的纤维束图，该算法结合了解剖约束纤维束成像框架 [17] ，随机分布在整个白质中。结果：将 SIFT2 与执行 SIFT“收敛”（移除尽可能多的流线以实现与数据的最佳拟合 [7] ）进行了比较。对于 SIFT2，我们使用了 λ = 0.001，这是基于近似 L 曲线分析选择的。SIFT 和 SIFT2 方法都以这样一种方式操纵重建，使得流线密度与通过 CSD 得出的体积估计值高度一致（图 1）。然而，SIFT2 实现了比 SIFT 更优秀的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须去除大约 96％ 的流线）。根据近似 L 曲线分析选择。SIFT 和 SIFT2 方法都以流线密度与通过 CSD 得出的体积估计值高度一致的方式操纵重建（图 1）。然而，SIFT2 实现了比 SIFT 更好的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须删除大约 96% 的所有流线）。根据近似 L 曲线分析选择。SIFT 和 SIFT2 方法都以流线密度与通过 CSD 得出的体积估计值高度一致的方式操纵重建（图 1）。然而，SIFT2 实现了比 SIFT 更好的模型拟合，同时保留了初始重建中的所有流线（而 SIFT 必须删除大约 96% 的所有流线）。
深度学习的扩散MRI拖拉术
图1。（a）我们提出的拖拉术算法的概述：给定种子点或部分已知的流线，我们的方法提取了相应的局部和邻域DMRI信号，以形成输入数据序列（x 1，…，x t）。然后将此序列馈送到我们的网络中，以预测传播的方向。随后，流线根据给定的步长和传播方向生长。更新的流线（不完整）将是我们方法的新输入，
用于可视化管道流线和喷嘴/扩散器边界层分离的简单教学风洞装置
用于可视化管道流线和喷嘴/扩散器边界层分离的简单教学风洞装置 摘要 风洞测试长期以来一直是许多流体力学和空气动力学入门课程的重要组成部分。使用标准电子或机械平衡硬件可以轻松演示与各种气动形状上的阻力形成相关的粘性和压力阻力的基本物理机制。在小比例模型上对升力、阻力、俯仰力矩和压力分布的实验测量同样在支持此类入门课程中的基本流体力学理论方面发挥着重要作用。了解这些物理特性对于汽车空气动力学设计、最大限度地提高燃油经济性以及教授应用于飞机的空气动力学设计基本原理都非常重要。除了更常见的使用风洞作为研究尾翼安装测试模型的空气动力学的工具之外，风洞作为一个整体还提供了展示流体力学的几个重要原理以及将这些原理应用于工程设计的方法。风洞最近的一个应用是对整个风洞进行压力分布测量，以展示理想的无粘性流体流动行为，以及说明各种机械能源的相对重要性。
QFib：快速高效的脑纤维束压缩
摘要 扩散 MRI 纤维追踪数据集可以包含数百万条 3D 流线，它们的表示可能需要数十 GB 的内存。这些流线集称为纤维追踪图，通常用于临床操作或研究。它们的大小使得它们难以存储、可视化、处理或通过网络交换。我们利用通常的追踪算法获取流线的方式，提出了一种非常适合纤维追踪图的新压缩算法。我们的方法基于单位矢量量化方法与空间变换相结合，可实现较低的压缩和解压缩时间以及较高的压缩比。例如，11.5 GB 的纤维追踪图可以压缩为 1.02 GB 的文件，并在 11.3 秒内解压缩。此外，我们的方法允许压缩和解压缩单个流线，从而无需在处理繁重数据集时使用昂贵的核外算法。最后，我们开辟了一条实时压缩和解压缩的方法，用于处理更大的数据集，而无需大量 RAM（即核心处理）、更快的网络交换和更快的可视化或处理加载时间。
AI增强了大脑成像 - 精选的手术过程拖拉术
在半球术患者完整半球中的下纵向筋膜（ILF）的重建。在特写镜头中，与红色矩形内的区域相对应，在切片附近剪辑了流线，以更好地可视化事实，即TractSeg在病变内重建流线，而提议的正规化低率重建则更准确地排除了病变，尽管分裂了整体较大的Tract体积，但仍将病变排除在外。信用：神经图像：临床（2025）。doi：10.1016/j.nicl.2025.103738
实时纤维束成像辅助神经导航用于经颅磁刺激
摘要 最先进的导航经颅磁刺激 (nTMS) 系统可以显示 TMS 线圈相对于受试者大脑结构磁共振图像 (MRI) 的位置并计算感应电场。然而，TMS 的局部效应会通过白质网络传播到大脑的不同区域，目前还没有商业或研究神经导航系统可以在 TMS 期间实时突出显示大脑的结构连接。缺乏实时可视化可能会忽略大脑连接的关键个体间差异，并且无法提供针对大脑网络的机会。相比之下，实时纤维束成像可以即时调整参数和详细探索连接，这在计算上效率低下，并且受限于离线方法。为了针对大脑结构连接，特别是在基于网络的治疗（如重度抑郁症）中，需要一种基于实时纤维束成像的神经导航解决方案来解释每个人独特的大脑连接。这项工作的目的是开发一种实时纤维束成像辅助 TMS 神经导航系统并研究其可行性。我们提出了一个模块化框架，使用并行传输方法将扩散 MRI 数据的离线（准备）分析与在线（实时）概率纤维束成像无缝集成。对于纤维束成像和神经导航，我们分别结合了我们的开源软件 Trekker 和 InVesalius。我们使用合成数据和四名健康志愿者的 MRI 扫描来评估我们的系统，这些数据和扫描数据是通过多壳高角分辨率扩散成像协议获得的。通过比较流线计数和重叠与基于一亿条流线滤波的离线纤维束成像结果来研究四个主要 TMS 目标，评估了我们的在线方法的可行性。我们开发的实时纤维束成像辅助 TMS 神经导航系统展示了先进的纤维束成像技术，具有交互式参数调整和通过创新的不确定性可视化方法实时可视化数千条流线的功能。我们的分析表明，受试者和 TMS 目标在流线数量方面存在相当大的差异，例如，虽然在受试者 #4 的视觉皮层 (V1) 上的 TMS 目标上观察到了 15,000 条流线，但在受试者 #3 的 V1 中，没有获得流线。与离线纤维束图的重叠分析表明，实时纤维束图可以快速覆盖目标区域连接的很大一部分，通常在几秒钟内超过离线方法的覆盖范围。例如，在
