XiaoMi-AI文件搜索系统
World File Search System衰减校正
使用3D周期符合的对抗网络对脑PET的基于MR的衰减校正
衰减校正（AC）对于正电子发射断层扫描（PET）的定量优点很重要。但是，衰减系数不能直接来自PET/MR系统的磁共振（MR）图像。在这项工作中，我们旨在从Dixon MR图像中得出连续的AC图，而无需MR和计算机断层扫描（CT）图像注册。为了实现这一目标，开发了一个具有歧视性和周期抗性损失（Cycle-GAN）的3D生成对抗网络。修改后的3D U-NET被用作生成网络的结构来生成伪CT/MR图像。基于3D贴片的判别网络用于区分生成的伪CT/MR图像与真实的CT/MR图像。为了评估其性能，实验中使用了来自32名患者的数据集。供应商提供的Dixon分割和ATLAS方法和
定量降水估计（QPE）天气雷达使用衰减校正和Z-R关系算法的比率
定量降水估计（QPE）天气雷达在东Java Laode Nodeman的某些部分中使用Z-R关系算法的衰减和比较Z-R关系算法，Retnadi Heru Jatmiko博士，硕士。; Emilya Nurjani博士，S.Sc.，M.Sc。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
人工智能在核心脏病学中的应用
人工智能 (AI) 是一个快速发展的领域，它指的是任何执行通常属于人类智能的任务的计算机算法。1 这些算法可能应用于核心脏病学的许多方面，包括通过临床报告进行图像重建。特别是，与典型的心肌灌注扫描相关的大量临床、压力和成像信息非常适合 AI 方法，这些方法可以客观地整合这些数据以改善疾病诊断和风险预测。尽管 AI 应用最初对许多临床医生来说可能令人生畏，但了解关键术语和流程可以大大提高对这些算法的理解和潜在的临床影响。在对关键术语的回顾的启发下，本文将回顾最近的 AI 图像重建方法，这些方法可用于提高图像质量或减少辐射暴露以及自动图像配准的方法。接下来，我们将总结 AI 驱动的心肌灌注图像衰减校正 (AC) 以及从 AC 成像中自动分割冠状动脉钙化 (CAC)。我们还将讨论利用
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
宠物心肌灌注成像
图像均匀性是迄今为止心脏成像的宠物成像的最重要特性。的巧合检测可以比SPECT成像更有效地校正不均匀的衰减（6,7,8）。胸部的不均匀衰减导致SPECT图像的多种不同模式衰减，具体取决于身体习惯和心脏的位置（9,10,11）。当前用于SPECT成像的衰减校正硬件和软件算法在提高有效性方面已经走了很长一段路，但仅提供部分纠正问题，有时会导致更大的错误（12,13,14,15）。此外，大多数SPECT心脏采集在胸部的180度以上进行，从而导致额外的空间失真和不均匀性（16,17）。图1显示了带有SPECT成像系统TL-201，TC-99M的心脏幻影的图像，或用PET扫描仪获得的F-18 FDG，浸入水浴中，其中包含不同大小的缺陷。在SPECT图像中，我们看到对基座的渐进衰减。经验丰富的读者熟悉这种模式，并学会将这种模式与图像中也可以看到的真实缺陷（18）区分开。有时由于衰减不均匀，这很难做到。真正的灌注缺陷可能会夸大大小和严重性。另一方面，可以隐藏在明显衰减区域内的真实灌注缺陷。PET成像，除了发射扫描外，还利用传输扫描，纠正了此问题，如图1所示。