XiaoMi-AI文件搜索系统
World File Search System计算机断层扫描
基于点云断层扫描
自动驾驶汽车（SDVS）的抽象开发人员与可能的未来有一个特定的想法。公众不得分享其基于的假设。在本文中，我们分析了英国调查（N¼4,860）和美国（n¼1,890）公众的自由文本响应，这些公众询问受访者在想到SDV时会想到什么弹簧，以及为什么应该或不应该开发它们。响应（平均每个参与者的总共27个单词）倾向于提出安全的希望，并且更常规地担心。许多受访者都提出了技术，其他道路使用者与未来之间关系的替代书籍。而不是接受一种主导的公众参与方法，该方法试图使公众从这些观点中教育，而是建议这些观点应视为社会情报的来源，并为建立更好的运输系统做出了潜在的建设性贡献。预期治理，如果要包容，则应寻求理解和整合公众观点，而不是拒绝它们是不合理的或可变的。
基于注意力的量子断层扫描
摘要 随着量子系统平台的快速发展，噪声量子态的多体量子态重建问题成为一个重要挑战。人们对使用生成神经网络模型来解决量子态重建问题的兴趣日益浓厚。在这里，我们提出了“基于注意力的量子断层扫描”（AQT），这是一种使用基于注意力机制的生成网络进行量子态重建的方法，它可以学习噪声量子态的混合态密度矩阵。AQT 基于 Vaswani 等人（2017 NIPS）在“注意力就是你所需要的一切”中提出的模型，该模型旨在学习自然语言句子中的长程相关性，从而超越以前的自然语言处理（NLP）模型。我们不仅证明 AQT 在相同任务上的表现优于早期基于神经网络的量子态重建，而且证明 AQT 可以准确地重建与 IBMQ 量子计算机中实验实现的噪声量子态相关的密度矩阵。我们推测 AQT 的成功源于它能够对整个量子系统中的量子纠缠进行建模，就像 NLP 的注意力模型能够捕捉句子中单词之间的相关性一样。
量子重叠断层扫描
现在，通过实验可以纠缠数千个量子比特，并在不同基础上高效地并行测量每个量子比特。要完全表征一个未知的 n 个量子比特的纠缠态，需要对 n 进行指数次数的测量，这在实验上即使是对于中等规模的系统也是不可行的。通过利用 (i) 单量子比特测量可以并行进行，以及 (ii) 完美哈希家族理论，我们表明，最多只需 e O ( k ) log 2 ( n ) 轮并行测量即可确定 n 量子比特状态的所有 k 量子比特约化密度矩阵。我们提供了实现这一界限的具体测量协议。例如，我们认为，通过近期实验，可以在几天内测量并完全表征 1024 个量子比特的系统中的每个 2 点相关器。这相当于确定近 450 万个相关器。
量子重叠断层扫描
现在，通过实验可以纠缠数千个量子比特，并在不同基础上高效地并行测量每个量子比特。要完全表征一个未知的 n 个量子比特的纠缠态，需要对 n 进行指数次数的测量，这在实验上即使是对于中等规模的系统也是不可行的。通过利用 (i) 单量子比特测量可以并行进行，以及 (ii) 完美哈希家族理论，我们表明，最多经过 e O (k = log 2 = n) 轮并行测量就可以确定 n 个量子比特状态的所有 k 量子比特约化密度矩阵。我们提供了实现这一界限的具体测量协议。例如，我们认为，通过近期实验，可以在几天内测量并完全表征 1024 个量子比特的系统中的每个两点相关器。这相当于确定近 450 万个相关器。
急性卒中患者的灌注计算机断层扫描 (PCT) | 临床审查标准
背景急性中风是美国第三大致死原因，也是第三大花费最多的成人疾病。缺血性中风是最常见的类型，出血性中风更为严重。患有颅内动脉阻塞的急性缺血性中风患者预后较差，24 小时内病情恶化的可能性较高。当脑动脉闭塞时，脑组织的核心会迅速坏死。梗塞核心周围是一片脑组织，该区域灌注不足，但由于侧支血流的存在，不会很快坏死。该区域称为缺血半暗带，其命运取决于缺血性大脑的快速再灌注。缺血半暗带的存在和范围与时间有关，并且可能因患者而异。 90-100% 的脑幕上动脉闭塞患者在卒中后 3 小时内出现缺血性半暗影，但只有 75-80% 的患者在卒中后 6 小时仍可能存在半暗影组织。因此，快速诊断、区分卒中类型以及确定缺血程度和持续时间对于选择治疗策略都至关重要（Wintermark 2005、Muir 2005、Brunser 2009）。
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
http://dx.doi.org/10.18576/isl/120433 基于深度神经网络的计算机断层扫描检测脑肿瘤
摘要：脑肿瘤是最致命的疾病之一，对人类健康有许多影响。脑肿瘤是脑内或脑周围的异常细胞团或生长。它们并非都是癌症，因为它们可能是良性的或恶性的。医生使用各种诊断技术来评估良性或恶性脑肿瘤的存在，以及估计其大小、位置和生长速度。使用适当的诊断方式来提供完整的大脑视图以检测任何异常。应对脑部进行计算机断层扫描 (CT) 扫描以检查异常。CT 扫描的好处包括准确检测钙化、出血和骨骼细节，以及与磁共振成像 (MRI) 相比成本低。因此，我们研究了一种基于 CT 的检测方法，以确定是否存在脑肿瘤。所提出的方法适用于从曼苏拉大学医院收集的 CT 图像数据集。使用不同的预训练模型：VGG-16、ResNet-50 和 MobileNet-V2。对比结果，预训练模型 MobileNet-V2 尽管参数数量最少，但结果却更好。它的准确率为 97.6%，而其精确度、召回率和 F1 分数分别为 96%、95% 和 96%。
单光子发射计算机断层扫描 (SPECT) 检测注意力缺陷多动障碍 (ADHD)
承保政策 用于筛查、诊断或评估注意力缺陷多动障碍 (ADHD) 治疗的单光子发射计算机断层扫描 (SPECT) 属于研究性质，因此不在承保范围内。缺乏足够的高质量同行评审医学文献形式的可靠证据来确定其疗效或对医疗保健结果的影响。描述单光子发射计算机断层扫描 (SPECT) 是一种核成像测试，它使用放射性物质、特殊相机和计算机来创建大脑的三维图像。SPECT 可用于测量某些大脑区域的活动与特定心理功能之间的关系。因此，它据称可用于诊断或评估被认为表现出注意力缺陷多动障碍 (ADHD) 特征的个体，该术语用于描述一组行为特征，包括注意力受损、注意力分散、冲动以及活动减退或多动。但是，证明 SPECT 可改善临床结果的研究有限。
经颅超声检查与计算机断层扫描对创伤性脑损伤患者中线移位的评估比较
背景：大脑中线移位 (MLS) 是通过计算机断层扫描 (CT) 成像诊断的重要临床发现，而经颅超声 (TCS) 可帮助在床边诊断 MLS 并促进干预以改善结果。该研究旨在发现基于 TCS 和 CT 的创伤性脑损伤 (TBI) 患者 MLS 评估之间的关联。患者和方法：我们纳入了所有中度至重度 TBI 的成年患者，不限性别，年龄在 18 至 65 岁之间，在 3 个月内接受全身麻醉下颅内手术。借助格拉斯哥昏迷量表 (GCS) 和格拉斯哥昏迷量表-瞳孔 (GCS-P) 评分评估意识。我们使用 CT 扫描和 TCS 计算 MLS。使用 Bland Altman 图以及 Pearson 和 Spearman 系数检验。结果：本研究共分析了 17 名患者。使用 TCS 时 MLS 为 0.52 ± 0.90 厘米，使用 CT 扫描时 MLS 为 0.58 ± 0.39 厘米。TCS 和 CT 成像测量的 MLS 差异的 Pearson 相关系数 (r2) 为 0.002 (p<0.05)。结论：经颅超声检查可以检测出 TBI 患者的 MLS，前提是 TCS 和 CT 扫描的 MLS 测量之间使用最小时间窗口。关键词：计算机断层扫描、超声检查、创伤性脑损伤。印度重症监护医学杂志 (2023)：10.5005/jp-journals-10071-24376
评论文章 现代计算机断层扫描与人工智能和深度学习应用 Coşkun Deniz
X 射线计算机断层扫描 (CT) 旨在通过使用定向 X 射线穿过人体内部切片来生成二维质量密度 (或 X 射线衰减系数) 图，从而从这些切片的 2D 图集合中构建 3D CT 图像。由于 CT 扫描为我们提供了身体内部结构，没有任何切割或物理损伤，因此它在我们的现代医疗应用中是不可或缺的。然而，由于 X 射线涉及电离辐射，它对生物体是危险的，它在医疗应用中带来了 ALARA（尽可能低）原则，强调尽可能高质量 CT 图像（具有尽可能高的分辨率），尽可能少地使用被扫描身体的 X 射线曝光。这项具有挑战性的任务以及对这些 CT 图像的正确解释，以得出正确的诊断和治疗计划，在 X 射线 CT 扫描的发展过程中，设计了各种扇形几何形状、扫描样式和先进的图像重建技术。我们可以看到，自 20 世纪 70 年代初首次发现以来，X 射线 CT 扫描已经发生了巨大的变化，并且随着人工智能 (AI) 和深度学习 (DL) 在我们现代 CT 中的应用，这种变化仍在继续，并取得了令人鼓舞的成功成果。在这项工作中，我们介绍了现代 X 射线 CT 的教学研究，并回顾了有关 i 扫描几何、ii 重建技术和 iii-AI&DL 应用的相关文献，希望能够为该领域的学者和研究人员提供快速参考。