XiaoMi-AI文件搜索系统
World File Search System风成
机器学习和急性中风成像
在过去十年中，随着血管内治疗 (EVT) 的建立，神经影像学在急性缺血性中风 (AIS) 中的作用显著增加。现在比以往任何时候都更需要高质量、普遍可用且快速执行的 AIS 成像解释。为了满足这一需求，机器学习 (ML) 方法的使用越来越多，其使用动机很明确——减少治疗延迟的几分钟就可以改善临床结果。这些算法已经在 AIS 治疗的患者分诊中发挥了核心作用，未来几年，使用 ML 技术的应用程序数量肯定会增加。因此，神经介入从业者必须了解 ML 的基础知识，包括 ML 的工作原理、如何评估现有算法以及在自己的实践中实施它们的原因。在此基础上，对 ML 功能的理解加上对临床需求的了解将能够改进现有方法或开发新方法，并有可能为临床实践带来变革性的变化。1
中风成像中的人工智能
人口老龄化给医疗保健系统带来了慢性疾病挑战。脑血管疾病是这些慢性疾病的重要组成部分。中风是脑部血液突然停止，可导致组织快速损失。因此，需要快速、准确和可靠的自动化方法来促进中风管理。人工智能 (AI) 方法在所有领域的性能都在提高。视觉任务（包括自然图像和医学图像）尤其受益于 AI 模型的技能。可应用于中风成像的 AI 方法范围广泛，包括经典机器学习工具（例如支持向量机、随机森林、逻辑回归和线性判别分析）以及深度学习模型（例如卷积神经网络、循环神经网络、自动编码器和 U-Net）。这两种工具都可以应用于中风管理的各个方面，包括事件发生时间确定、中风确认、大血管阻塞检测、扩散限制、灌注不足、核心和半暗影识别、受影响区域分割和功能结果预测。在构建这些人工智能模型时，应格外小心，以减少偏差并构建可推广的模型。构建无偏模型的最重要先决条件之一是收集大量、多样化和高质量的数据，这些数据可以很好地反映基础人群，并以代表相似分布的方式划分训练和测试部分。可解释性和可信度是机器学习模型的其他重要属性，可以在临床实践中广泛采用。
最全面的中风成像解决方案
移动应用程序允许临床医生快速安全地访问，查看和共享网络上的图像和患者数据，发送消息，直接从应用程序中拨打电话，并将有资格进行血栓切除术的患者标记为旨在优化工作流程，促进更快的转移和治疗决策。
机器学习和急性中风成像
摘要 背景 近年来，机器学习 (ML) 在提供神经影像学研究的自动化分析方面取得了显著成功，其作用在未来可能会增加。因此，对于临床医生来说，了解这些方法、获得解释 ML 结果的能力以及学习如何评估算法性能至关重要。 目的 概述 ML，介绍其在急性中风成像中的作用，讨论评估算法的方法，然后对现有方法进行评估。 方法 在本综述中，我们概述了医学影像分析中常用的 ML 技术和评估性能的方法。然后，我们查阅相关出版物的文献。于 2021 年 11 月在 Ovid Medline 和 PubMed 中进行了搜索。纳入标准包括英文研究，报告在急性缺血性中风或机械血栓切除术的环境和应用中使用人工智能 (AI)、机器学习或类似技术。本讨论包括包含具有有意义结果和合理 ML 方法的图像级数据的文章。结果 使用 ML 方法发表了许多关于急性卒中成像的出版物，包括大血管闭塞检测、颅内出血检测和量化以及梗塞中心检测。成像输入包括非造影头部 CT、CT 血管造影和 MRI，具有多种性能。我们讨论并回顾了一些最相关的出版物。结论 ML 在急性缺血性卒中成像中已经取得了巨大进展。额外的应用和与临床护理的进一步整合是不可避免的。因此，对于神经介入临床医生来说，掌握这些方法至关重要。
人工智能与急性中风成像
摘要：人工智能技术是一个快速发展的领域，在急性中风成像方面有许多应用，包括缺血性和出血性亚型。早期识别急性中风对于及时干预以降低发病率和死亡率至关重要。人工智能可以帮助中风治疗模式的各个方面，包括梗塞或出血检测、分割、分类、大血管闭塞检测、艾伯塔中风计划早期 CT 评分分级和预测。特别是，卷积神经网络等新兴人工智能技术在有效和准确地执行这些基于成像的任务方面显示出良好的前景。本综述的目的有两个：首先，描述中风成像中的人工智能方法和可用的公共和商业平台；其次，总结当前人工智能驱动的急性中风分类、监测和预测应用的文献。
自动化中风成像软件包 (...
问题和经验教训 2020 年 7 月 简介 此资源由 CorHealth Ontario 代表有实施此自动中风成像软件经验的区域中风网络提供。该资源的目的是分享学习成果并支持其他可能有兴趣使用类似软件的人，而不是提供基于证据的最佳实践建议。该资源由中南部、西南和东南中风网络合作开发。此资源仅代表 Ischemaview RAPID 实施经验，不同供应商生产的其他软件可能可用或考虑使用。背景：最近的两项血管内血栓切除术 (EVT) 研究 DAWN 2 和 DEFUSE3 3 评估了 EVT 对中风症状出现后 6 至 24 小时内患者的影响。这些试验根据 CT 或 MR 灌注 (CTP/MRP) 确定了适合 EVT 的患者，并使用软件识别梗塞核心和缺血半暗影体积之间的不匹配。无梗塞或梗塞面积极小且缺血半暗带面积大的患者是潜在的 EVT 候选人。两项试验都发现，与对照组相比，通过这种成像方法识别出的患者中，90 天内实现功能独立性的比例显著提高（49% 比 13% 和 44.6% 比 16.7%），且 24 小时内症状性出血没有显著增加。2,3 基于这些试验，加拿大卒中急性卒中管理最佳实践建议于 2018 年进行了更新 1，以表明经过严格挑选的具有致残性卒中症状的患者在最后一次康复后 24 小时内可从 EVT 中受益（证据级别 A）。研究中心应使用带有自动成像软件包的 CTP 或 MRP 来选择潜在患者，该软件包可提供可重复的客观可量化的梗塞核心和缺血半暗带测量结果。常见问题 (FAQ)：什么是卒中自动成像软件包？
美国宇航局的行星风成实验室：提案者指南
提案人指南 1.0 NASA 行星风成实验室 (PAL) 1.1 什么是 PAL？行星风成实验室 (PAL) 是一种用于在不同行星大气环境下进行风成过程（风吹粒子）控制实验和模拟的设施，包括地球、火星和土星的卫星土卫六。PAL 目前由 NASA 的行星科学部门提供支持（2014 年之前，PAL 由 NASA 的行星地质和地球物理学 (PG&G) 计划提供支持）。PAL 包括位于加利福尼亚州莫菲特菲尔德的 NASA-Ames 研究中心 (ARC) 的设备和设施，亚利桑那州立大学 (ASU) 位于亚利桑那州坦佩，拥有单独的设备来支持 PAL 活动。PAL 包括美国最大的压力室之一，用于进行低压研究。PAL 可在受控实验室条件下对风成过程进行科学研究，并可对 NASA 太阳系任务的航天器仪器和组件进行测试和校准，包括需要大量低气压的任务。PAL 包括：(1) 火星表面风洞 (MARSWIT) 和 (2) 土卫六风洞 (TWT)，位于加利福尼亚州山景城 NASA ARC 的结构动力学大楼 (N-242) 内，由亚利桑那州立大学管理。MARSWIT 和 TWT 由 NASA-Ames 的商店、仪器设施和成像服务提供支持。ARC 的 PAL 设施还配备了一名全职技术人员（在 ARC 工作的 ASU 员工），为行星用户提供服务。亚利桑那州立大学坦佩校区的配套设施包括环境压力/温度风洞 (ASUWIT)。ASU 还拥有涡流（尘卷风）发生器 (ASUVG)，但目前归富尔顿工程学院所有（可协商用于行星研究）。ASUWIT 是 ASU 地球与空间探索学院 (SESE) 的一部分，由 SESE 教授 Ian Walker 负责运营。ASUWIT 由 ASU 的 Ronald Greeley 中心的工作人员提供支持。NASA-Ames 的火星表面风洞 (MARSWIT) 于 1976 年投入运行，用于研究陆地和火星条件下风夹带粒子的物理学，进行流场建模实验以评估从小岩石到地貌（缩放）如陨石坑等尺度上的风蚀和沉积，并在火星大气条件下测试航天器仪器和其他组件。MARSWIT 是一个 13 米长的开路边界层风洞，位于一个大型环境室内，在 1 巴至 5 毫巴的大气压下运行，在 1 巴时最大速度为 10.5 米/秒，在 5 毫巴时最大速度为 100 米/秒。该风洞采用开路设计，但位于一个大型压力室的地板上，内部高度为 30 米，内部容积为 13,000 立方米。对于低压风洞运行，将腔室密封并抽空，内部的开路风洞在低压环境中运行。抽空如此大腔室的内部压力需要大量电力，这通常非常昂贵。PAL 从热物理设施的蒸汽真空系统获取真空能量，大约 45 分钟内即可抽真空至火星模拟压力 (4 托)。由于真空系统运行成本高，双方达成协议，PAL 几乎只在与其他赞助 NASA-Ames 蒸汽工厂活动的 NASA-Ames 项目/设施合作时才抽真空。这种安排非常经济高效，但需要提前安排低压运行（需要抽空）。除了此协议外，还提供预留真空服务，前提是提供足够的资金并且没有时间安排冲突。
风测量 1 风成特征
风向也是一条重要信息，速度和方向之间的关系也是如此。在西部大平原的良好风况下，盛行风来自南北。来自东和西的风较少，平均风速也低于来自南北的风。在山口，盛行风向将与山口一致。可以想象，对于某些地方来说，最经济的风力涡轮机将是方向固定的涡轮机，这样它就不需要转向风向。如果通过消除涡轮机方向的变化不会大幅减少能量输出，那么该风力涡轮机的经济可行性就会得到提高。但在做出这样的选择之前，我们必须拥有良好的风向数据。