XiaoMi-AI文件搜索系统
World File Search System采集时间
医疗政策 - 检测冠状动脉钙化的计算机断层扫描
钙化描述/背景冠状动脉钙冠状动脉钙（CAC）与冠状动脉疾病（CAD）有关。快速计算机断层扫描（CT）扫描仪的开发允许在临床实践中测量CAC。冠状动脉钙已经在几种临床环境中进行了评估。最广泛的研究指示是使用CAC在亚临床疾病患者中预测未来CAD的风险，其目的是实施适当的降低风险降低疗法（例如他汀类药物，汀类药物治疗，生活方式修改）以改善结果。此外，在可能与CAD一致的症状患者中评估了CAC，但诊断尚不清楚。检测电子梁计算机断层扫描（EBCT；也称为超快CT）和螺旋CT（或螺旋CT）可以用作由于更快的吞吐量而导致的常规CT扫描的替代方法。在这两种方法中，图像采集的速度都为他们成像动人的心脏赋予了独特的价值。快速图像采集时间实际上消除了与心脏收缩有关的运动伪影，从而可以在心外膜冠状动脉中可视化钙。电子束计算机断层扫描软件允许量化钙面积和密度，并将其转化为钙评分。钙评分已被研究为检测CAC的技术，既是有症状的患者的诊断技术，都可以排除症状的动脉粥样硬化病因，或者在无症状患者中，作为CAD风险分层的辅助方法。电子束计算机断层扫描和多探测器CT最初是测量CAC的主要快速CT方法。进行CAC测量的快速CT研究需要10到15分钟，只需要几秒钟的扫描时间。最近，计算机断层扫描血管造影已用于评估冠状动脉钙。由于EBCT和计算机断层扫描在测量冠状动脉钙中的基本相似性，因此预计计算机断层扫描血管造影可提供与EBCT相似的冠状动脉钙的信息。
遥感 - ELIB-DLR
受潮汐影响的沿海地区的水资源管理需要定期使用高分辨率和精确的数字高程模型 (DEM)。由于需要勘测大面积区域，因此通常使用远程传感器。由于其非常动态的行为，只有对应于低潮前后 +/ − 1 小时的极短时间窗口可用于对潮滩区域进行远程数据采集。因此，机载传感器比星载传感器更具吸引力，因为它们在采集时间方面具有灵活性。此外，高分辨率机载 SAR 系统（如 DLR 的 F-SAR）比传统的机载激光扫描仪 (ALS) 覆盖范围更广，对天气条件的依赖性更小，而传统的机载激光扫描仪 (ALS) 通常限制在 <500 m 的扫描带宽度。在过去的几十年中，使用 SAR，特别是跨轨干涉 SAR (InSAR) 数据监测潮滩一直是许多研究的主题。例如，在 [ 1 ] 中，作者成功地利用 AeS-1 X 波段单程机载干涉仪的数据为德国瓦登海的潮间带生成了 DEM。生成的 DEM 是使用 2.4 m 的跨轨基线获得的，分辨率为 5 m，与地面控制点的比较显示标准差小于 10 cm。在 [ 2 ] 中，从 ERS-1/2 复杂 SAR 图像中提取的海岸线用于生成分辨率约为 12.5 m 的 DEM。作者报告说，获得的地形图与前面提到的 AeS-1 InSAR DEM 之间存在良好的一致性。考虑的时间基线在 [ 3 ] 中，作者使用后向散射模型和相干性分析讨论了使用重复干涉测量法在潮滩上生成 DEM 的有利条件。在该研究之后，在 [ 4 ] 中报告了使用 ERS-1/2 对的结果，其中强调了使用星载重复传感器获取高相干性数据的挑战。[ 5 ] 中的作者讨论了通过星载重复干涉 InSAR 监测潮滩的可行性，建议使用具有较大横向基线和短时间基线的采集来应对高场景动态。
基于人工智能的肝脏 MRI 图像质量增强：定量和定性评估
摘要 目的 比较应用和关闭 (NON-DL) 的 AIR Recon Deep Learning™ (ARDL) 算法的肝脏 MRI 与传统高分辨率采集 (NAÏVE) 序列在定量和定性图像分析和扫描时间方面的差异。材料与方法这项前瞻性研究包括 2021 年 9 月至 11 月期间的 50 名连续志愿者（31 名女性，平均年龄 55.5 ± 20 岁）。进行 1.5 T MRI 检查并包括三组图像：使用 ARDL 和 NAÏVE 协议获取的轴向单次激发快速自旋回波 (SSFSE) T2 图像、弥散加权图像 (DWI) 和表观弥散系数 (ADC) 图；还评估了 NON-DL 图像。两名放射科医生一致在肝实质中绘制固定的感兴趣区域以计算信噪比 (SNR) 和对比噪声比 (CNR)。另外两名放射科医生使用五点李克特量表独立评估主观图像质量。记录采集时间。结果 SSFSE T2 客观分析显示 ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 和 CNR 较高（所有 P < 0.013）。对于 DWI，ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 没有差异（所有 P > 0.2517）。ARDL vs NON-DL 的 CNR 较高（P = 0.0170），而 ARDL 和 NAÏVE 之间没有差异（P = 1）。在 ADC 图的 SNR 和 CNR 方面，三种比较均无差异（所有 P > 0.32）。所有序列的定性分析显示 ARDL 的整体图像质量更好，截断伪影更少，清晰度和对比度更高（所有 P < 0.0070），且具有出色的评分者间一致性（k ≥ 0.8143）。 ARDL 序列的采集时间比 NAÏVE 短 (SSFSE T2 = 19.08 ± 2.5 s vs. 24.1 ± 2 s 和 DWI = 207.3 ± 54 s vs. 513.6 ± 98.6 s，所有 P < 0.0001)。结论 ARDL 应用于上腹部与 NAÏVE 协议相比，整体图像质量更好，扫描时间更短。
胎儿脑部 MRI 的回顾性运动估计
自 20 世纪 80 年代以来，磁共振成像 (MRI) 就已用于研究发育中的胎儿大脑。然而，运动 (母亲和胎儿的) 一直是一个真正的挑战，限制了所获取图像的探索能力。在产前成像中，大脑的完整图像实际上是一堆 2D 切片。这些采集通常沿空间的三个轴进行，以便为放射科医生提供大脑的 3D“视觉”。切片的采集时间通常足够短 (少于 1 秒) 以“冻结”运动。因此，受试者的运动主要会引起几何失真伪影，即 2D 切片的堆叠不能直接反映大脑的 3D 几何形状。因此，有必要回顾性地估计运动以重建胎儿大脑的 3D 图像 [1]。胎儿数据重建的主要方法称为“切片到体积配准”的 SVR，该方法基于两个步骤：估计相对运动，然后融合数据 [2–4]。在产前成像的情况下，配准问题属于 2D-3D 类型，即我们必须估计切片和参考体积之间的运动。此参考体积也是我们想要重建的图像，因此是未知的。从对参考体积的首次估计，通过最小化当前切片和参考体积之间的对齐标准来估计每个切片的对齐。然后根据为每个切片估计的变换集重新计算后者。重建体积的质量在很大程度上取决于切片配准的质量。该过程以迭代方式重复，直到算法收敛。为了使这些方法对受试者的运动更具鲁棒性，已经开发了深度学习方法 [5,6]。然而，基于迭代重建的方法对于分析临床常规获取的大型图像数据库仍然不够稳健。因此，有必要检测出未对准的切片，以便不将它们包括在重建步骤中[7,8]或减少它们对重建的影响[9]。为了解决这个问题，一种解决方案是通过使用正交切片的交点并将它们的对应关系强加到 3D 交点 [10]，将切片的运动校正与重建步骤完全分开。这种方法可以独立解决切片运动校正和 3D 体积重建的问题。在本文中，我们开发了一种使用机器学习方法来估计与未对准切片检测相关的切片运动的方法。所提出的方法称为 ROSI，即“基于正交切片交点的配准”。对合成和真实数据进行的评估表明，与 SVR 方法相比，所提出的方法更有吸引力。
深度学习和AI减少磁共振成像扫描时间：临床实践中的优势和陷阱
通过仅获取完整傅立叶重建所需的数据的一小部分来减少扫描时间[8]。副层成像（PI）技术，例如感官（敏感性编码）和grappa（广义自动校准的部分并行获取），使用伪造的阵列线圈同时捕获图像的不同部分，从而减少采集时间[5,6]。最近引入了压缩传感（CS）技术，通过利用图像在某个变换域中的稀疏性来重建图像（例如小波do-主）。它大大减少了所需的数据量，从而缩短了扫描时间[7]。最近，基于人工智能（AI）的算法，尤其是深度学习模型，正在使用明显较少的数据点重建高质量的图像。这些算法可以预测丢失的信息，从而减少了广泛的数据采集的需求。在这种情况下，包括GE Healthcare，Siemens Healthineers和Philips在内的不同供应商开发了基于AI的MRI加速技术[9]。这些先进的软件技术的开发显着提高了MRI扫描的效率，因此可以在先前所需的时间内获得高质量的IMPIMES。这些技术继续发展，这是由于持续的重新搜索以及AI和机器学习纳入医学成像的不断增加的驱动。通过减少扫描时间，这些创新改善了患者的体验，增加扫描仪的利用率并可能缩短等待列表。另外，深度学习重新构成 -减少MRI扫描可为患者和医疗保健提供者提供几个优势。最直观的优势之一是改善患者的舒适感。更快的扫描意味着患者在MRI机器上花费的时间更少，这可以减轻恐惧症的焦虑和不适，特别是对于幽闭恐惧症患者而言。减少扫描时间也降低了患者运动的可能性，这可能会降低图像质量并需要撤离，这使得MRI对于那些长期存在的困难的人（例如儿童，长老和患有特定的医疗状况）更可行。可行，在临床实践中，对镇静检查的需求可能会减少。另一个关键点是增加的可访问性，更快的约会可以导致更多可用的插槽，从而减少需要紧急诊断的患者的等待时间。此外，较短的扫描时间允许扫描更多的患者，从而改善了MRI吞吐量，随后提供了更好的资源管理，从而有可能减少对额外的MRI机器和相关成本的需求。这些改进会导致成本效益：降低运营成本，因为较短的扫描降低了功耗，可能降低运营成本和促进成本。另一方面，可以使用深度学习（DL）和AI技术来通过降低运动伪像的风险来提高图像质量，从而导致图像更清晰和更准确的诊断。
可解释的人工智能通过光学相干断层扫描实现可用且值得信赖的多发性硬化症计算机辅助诊断
多发性硬化症 (MS) 是一种影响中枢神经系统 (CNS) 的神经退行性疾病。在 MS 中，免疫系统会攻击大脑和脊髓中的神经纤维和髓鞘。其后果是整个 CNS 出现炎症、脱髓鞘和轴突变性，破坏神经细胞过程并改变大脑中的电信息。确诊 MS 很困难，尤其是在疾病的早期阶段，此时症状可能很轻微、零星，甚至类似于其他疾病状况。诊断基于 McDonald 标准，包括从神经系统检查和神经系统症状史中提取的临床、放射学和实验室参数 [1]。McDonald 标准的初始版本于 2001 年提出，并经过多次修订。最新标准可追溯到 2017 年。要根据 2017 年 McDonald 标准诊断为 MS，个人必须有证据表明中枢神经系统因炎症而受到损伤，并且炎症在空间和时间上不断扩散。当神经损伤出现在中枢神经系统的多个部位或神经系统的多个区域时，就会发生空间播散。具体而言，McDonald 2017 标准确定病变应出现在神经系统以下四个区域中的至少两个：大脑的脑室周围、近皮质或皮质、幕下区域和脊髓。当神经损伤发生在患者病史的多个时间点时，就会发生时间播散。损伤可以通过第二次疾病恶化、新病变的出现或相同区域损伤发生在不同时间的证据（例如，不再活跃发炎的旧病变周围出现新的炎性病变）来证明。大脑和脊髓的磁共振成像 (MRI) 用于检测 MS 损伤的典型斑块或疤痕。钆增强病变是活动性炎症区域，因此可以使用钆 MRI 来区分活动性和非活动性病变。此外，脑脊液 (CSF) 中存在寡克隆带 (OB) 表明存在中枢神经系统炎症。患有临床孤立综合征 (CIS) 的个体经历过一次 MS 症状发作，因此不符合时间播散标准。对于这些个体，OB 已被确定为复发的独立预测因素。因此，McDonald 2017 标准将 OB 检测呈阳性确立为充分标准，即使在仅在其病史的一个时间点显示明显损伤的患者中，也可以取代时间播散标准。不幸的是，MRI 和 CSF 评估耗时、昂贵且具有侵入性。例如，磁共振设备价格昂贵，图像采集时间可能为 10 到 30 分钟。钆注射有副作用，例如注射部位疼痛、恶心、瘙痒、头晕和头痛。脑脊液样本是通过腰椎穿刺采集的，在局部麻醉下大约需要半小时。它可以被描述为令人不快和痛苦的，副作用可能包括穿刺区域感染和头痛。出于这些原因，值得探索补充或替代标准，以便在经过适当验证后将其纳入麦当劳标准。
优化 SNR/分辨率权衡以进行注册...
磁共振图像配准中 SNR/分辨率权衡的优化 S. Kale 1,2、JP Lerch 1、RM Henkelman 1,2 和 XJ Chen 1,2 1 小鼠成像中心，加拿大安大略省多伦多，2 多伦多大学医学生物物理学，加拿大安大略省多伦多 简介 配准是医学图像分析的重要工具，其应用包括评估纵向研究中的变化、构建数字图谱和执行形态分析。后者在研究疾病特定人群和大脑发育生物学方面发展尤为迅速 1 。配准已广泛用于磁共振 (MR) 图像，其中成像在捕捉神经解剖结构方面提供了极大的灵活性。用户可以以任意分辨率和方向获取 3D 体积或 2D 切片数据，同时可以定义视野以适合任何对象。一个限制因素是总成像时间，这让用户不得不在分辨率和信噪比 (SNR) 之间做出权衡决定。通常，会调整采集参数以使生成的图像满足人类的视觉偏好，但是，由于图像配准是一项计算机分析任务，因此优化应响应计算机分析的需求。本摘要介绍了一项研究，该研究旨在调查在恒定扫描时间内 MR 成像中 SNR 和分辨率之间的最佳权衡，以实现最佳配准精度。方法虽然任何解剖结构的图像都可以，但我们使用的是通过高质量显微镜协议获取的固定小鼠神经解剖结构图像。固定脑标本的原位成像准备方法与之前描述的方法类似 2 。成像是在 7 T 磁体上使用多通道 Varian INOVA 控制台和三线圈探头进行的，以进行并行样本成像。扫描参数包括：快速自旋回波脉冲序列，TR/TE = 325/8 毫秒，6 次回波（第四次回波位于 k 空间中心），TE eff = 32 毫秒，90° 翻转角，14 毫米 x 14 毫米 x 25 毫米 FOV，432 x 432 x 780 扫描矩阵，4 个平均值（NA）。成像时间为 11.3 小时，每次可获得三个大脑的 T2 加权图像，每个图像有（32 微米）3 个体素。扫描了十个大脑。图像在均质白质中的平均 SNR 为 16。这些图像代表了黄金标准。从每个黄金标准图像中模拟了五个降级权衡图像，以模拟 1.9 小时的采集时间，但以牺牲 SNR 或分辨率或两者为代价。第一步需要从黄金标准数据中选择 k 空间的子体积来表示降级的分辨率。选择了五个子体积，以下称为权衡 AE ，权衡之间的体素体积步长为 2 倍（表 1，顶部）。第二步涉及向原始数据添加高斯分布随机白噪声，以模拟权衡数据中适当的相对 NA，从而固定总有效成像时间（1.9 小时）。然后，使用 ANIMAL 3,4 将来自每个权衡组和金标准组的图像独立地配准到使用仿射和非线性配准 5 的无偏平均图谱。变形场可用于识别形态学差异，它由非线性配准产生，并用于评估权衡组相对于金标准配准的配准精度。均方根误差 ( RMSE ) 度量，其中 ( ) 2 1 2 / / ) ( ) ( ∑ − = NN RMSE ioirdrd ，
婴儿功能近视三维注册系统
而且获取过程也很耗时。此外，这种方法需要购买 3D 数字化仪，这也相对昂贵（成本约 3000 英镑）。相比之下，摄影测量方法是一种低成本的空间配准解决方案，因为它们可以通过一部智能手机轻松实现。8 摄影测量从不同角度对佩戴 fNIRS 设备的受试者拍摄多张照片。使用专业软件（例如 Metashape 10 ）将获取的 2D 照片转换为 3D 模型（点云或网格）。该软件分析照片中的视觉特征，首先估计与每张图像相关联的相机的位置。通过比较图像并识别共同的点和特征，摄影测量软件可以重建物体的 3D 表示（在我们的例子中是受试者的头部）。通过检查生成的 3D 点云或网格，可以确定光极相对于受试者颅骨标志的位置。然而，这个过程在计算上是昂贵的并且耗时的，因此它通常在实验之后进行，并且通常需要使用标准计算资源花费数小时。如果生成的 3D 模型不足以捕获所有光极的所有位置信息，则无法回忆起这些信息，因为对受试者的实验早已结束。除了上面概述的挑战之外，如果受试者是婴儿，由于他们几乎不断运动，EM 跟踪和传统摄影测量方法通常都不切实际。鉴于头部实际上是一个刚性物体，理论上婴儿受试者的运动不应妨碍有效的摄影测量。然而，在婴儿移动的情况下，传统的摄影测量方法面临着重大挑战。次优的照明条件，例如不均匀的照明或投射在婴儿脸上的阴影，会影响所获取图像的质量和清晰度。此外，当受试者处于运动状态时，有必要在生成的 2D 图像中遮蔽背景以隔离婴儿的头部。这些因素共同使得单相机摄影测量法在捕捉运动婴儿的准确可靠的 3D 头部模型方面面临极大挑战。最近，一种使用智能手机的结构照明深度相机获取拍摄对象 3D 头部模型的方法被实现用于空间配准。11结构照明深度相机的工作原理是将特定的光图案投射到视野中，并分析这些图案如何因被拍摄物体的形状而变形。深度相机可以使用这些信息来计算物体表面上每个点与相机的距离，从而生成物体的精确 3D 表示。与用于 fNIRS 配准的摄影测量法相比，结构化照明提供的直接获取的 3D 深度信息省去了将 2D 图像转换为 3D 模型所需的时间，从而允许用户在实验期间调整扫描过程，以确保模型覆盖扫描中的所有光极位置并具有足够的质量。此外，通过直接获取量化的深度信息，结构化照明方法可能比传统摄影测量法更准确、更可靠。虽然这种直接 3D 扫描方法不需要拍摄对象严格保持静止，但过度移动会影响扫描图像的质量。一次采集即可获取运动婴儿头部的完整 3D 模型通常是不可能的。因此，当将智能手机 3D 扫描方法应用于婴儿时，用户仍然需要从不同角度拍摄多张快照以生成部分 3D 表面，然后将它们拼接在一起形成完整的全头 3D 模型。虽然所需快照的数量远低于精确摄影测量所需的二维图像的数量，但这仍然会导致更长的采集时间、降低精度并无法获得即时结果。