XiaoMi-AI文件搜索系统
World File Search System计算机断层扫描
关于小儿种群骨密度，微体系结构和强度的高分辨率外周定量计算机断层扫描评估的建议
2D数字乳房摄影中微钙化（MC）的抽象准确表征是降低与不确定MC的回调相关的诊断不确定性的必要步骤。MC的定量分析可以更好地识别导管癌或浸润性癌的可能性较高的MC。 但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。 我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。 候选对象首先是使用斑点检测和黑森州分析来划定的。 回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。 该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。 然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。 我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。 与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。 使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。可以更好地识别导管癌或浸润性癌的可能性较高的MC。但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。候选对象首先是使用斑点检测和黑森州分析来划定的。回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。
深度学习的工作流程，用于自动提取心脏纤维化中心脏计算机断层扫描上心房和心外膜脂肪组织的自动提取
。cc-by-nc-nd 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
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%。
使用计算机断层扫描图像评估心血管疾病中深度学习模型的公平性：数据和代码透视
摘要。在过去五年中，大多数变化在过去的十年中，对医学中AI应用的兴趣已大大增加。最近，使用计算机断层扫描（CT）图像的深度学习算法在心血管疾病（CVD）的预测和分类中的应用显示出令人鼓舞的结果。但是，在这一研究领域的显着进步与与可发现性（F），可访问性（a），互操作性（I），可重复使用性（R）相关的不同挑战有关。这项工作的目的是确定反复出现的缺失的公平相关特征，并评估用于预测/诊断CT图像中心血管疾病的数据和模型的公平程度。我们使用RDA（研究数据联盟）公平数据成熟度模型和Fairshake工具包评估了数据和模型的公平性。这一发现表明，尽管预计AI会为复杂的医疗问题带来破碎的解决方案，但数据/元数据/代码的可发现性，可访问性，互操作性和可重复性仍然是一个杰出的挑战。
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%。
新型光谱计算机断层扫描中的定量参数：胃腺癌患者KI-67表达的评估
结果分别分别为37例和71例患者，分别为低和高的KI-67表达。ct 40 KeV-VP，CT 70 KeV-VP，CT 100 KEV-VP和Z EFF相关参数明显更高，但是与具有高KI-67表达式状态的基团表达状态较低的组中，与IC相关的参数较低，而其他分析的参数则没有显示两组之间的统计差异。Spearman的相关性分析表明，CT 40 KEV-VP，CT 70 KEV-VP，CT 100 KEV-VP，Z EFF，Z EFF和N Z EFF与KI-67状态呈负相关，而IC和NIC与KI-67状态呈正相关。ROC分析表明，光谱参数的多变量模型在识别KI-67状态[曲线下的面积（AUC）= 0.967;灵敏度为95.77％；特异性91.89％）]。然而，单变量模型的区分功能是中等的（AUC值0.630-0.835）。此外，NZ Eff
量子计算和计算机断层扫描
随着量子计算机的普及，许多公司开始涉足量子计算领域，以熟悉这项技术并尝试将其与自己的专业领域相结合 [1]。由此产生的首要问题是，如何使用量子计算机通过量子算法来解决或改善工业问题。挑战在于找到这样的问题并创建算法，因为使用量子计算机需要采用与传统编程不同的方法。虽然传统计算机使用 0 和 1 的位，但量子计算机使用量子位 (Qubit)，它可以被带入这些二进制状态的任意叠加。这种叠加使量子计算机能够同时对各种值执行单个计算，这是量子计算机提供的优势之一。量子态的叠加尤其允许多个量子位的纠缠（一种特定形式的关联），这代表了量子计算最显着的特征，也是其基本概念优势的核心。然而，困难在于一旦人们想要检索该计算的结果，最后一步就会出现。在单个量子比特测量中，量子比特将坍缩为两个基态之一。后者随后被映射到经典值 0 和 1。测量这两个值中的哪一个取决于系统的量子态，并且通常是基态的叠加。重复测量的结果将相应地遵循各自的概率分布。结果是，单个量子计算通常不会直接提供所需的值。计算必须重复多次（所谓的 shots），具体取决于量子比特的数量，以提供统计分布，从而找到所需的值。重复量子测量所花费的时间可能超过量子计算机与传统计算机的计算时间相比的优势。为了实现性能优势，需要一种量子算法，该算法可以通过利用计算中的建设性和破坏性干扰来减少所需的 shots 次数，如众所周知的 Deutsch-Jozsa [2] 和 Grover [3] 算法所示。我们在公共资助的 BayQS 联盟内启动了一个为期五年的项目，目的是找出量子计算机在计算机断层扫描领域的潜力。
大脑Spect扫描（单照片发射计算机断层扫描）
脑SPECT扫描是大脑的一种核成像。•SPECT代表单照片排放计算机断层扫描。•“核”一词是指少量放射性物质（称为示踪剂）用于帮助医生看到血液如何流向人体器官。•“成像”一词是指特殊的相机为示踪剂穿过血液的照片。脑SPECT扫描是在放射学中进行的。扫描显示血液如何流向大脑。它可以帮助医生知道大脑的工作方式何时存在问题。在扫描之前该怎么办？
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
统计和机器学习方法预测轻度创伤性脑损伤儿童进行计算机断层扫描的必要性
该研究招募了 1100 名 2 岁以下的儿童，以评估学龄前儿童。其他纳入和排除标准均符合 PECARN 研究。人口统计学、损伤细节、病史和神经学评估等数据用于统计评估和 ML 算法的创建。临床重要 TBI (ciTBI)、CT 上的 mTBI 和对照组的儿童人数分别为 28、30 和 1042。除损伤机制的严重程度外，所有非参数预测因子均显示出对照组和需要住院治疗的临床重要 TBI (csTBI：CT 上的 ciTBI+mTBI) 之间的统计学意义。三组之间的比较也显示出所有预测因子的显著性 (p < 0.05)。这项研究表明，用于预测是否需要进行 CT 扫描的监督 ML 可以以 95% 的准确率生成。它还揭示了决策树中每个预测因子的重要性，尤其是“生命天数”。