XiaoMi-AI文件搜索系统
World File Search SystemChest
利物浦心脏和胸部医院NHS基金会信托
利物浦心脏和胸部医院（LHCH）为北威尔士默西塞德郡的人们，曼岛以及兰开夏郡和柴郡的部分地区提供医学和外科手术心理服务。该集水区的人口为280万。医院提供了一系列侵入性和非侵入性诊断性心肺设施。有两个专用的心脏MRI扫描仪和心脏CT扫描仪，心脏诊断中的大型心脏成像部门将所有超声心动图模式。有七个用于诊断程序的心脏导管实验室，PCI，结构性心脏病，电生理学和消融以及起搏。We have a hybrid pacing theatre used approximately 40% of the time for cardiac devices (the remaining sessions are for aneurysm surgery/aortic stenting/TAVI) During the last year, over >5000 MRI scans, >1000 pacing procedures, >1700 catheters, >2900 PCI procedures (800 PPCIs) and >1300 EP procedures were performed and more than 400 complex pacing/device程序。该中心是NHS基金会信托基金，在过去的几年中，该基金会的发展已经发生了很大的发展。由于主要资本投资，中心能够提供：
用于胸部 CT 诊断 COVID-19 的可解释人工智能
* 虽然我们经常讨论“诊断”，但这里开发的工具可用于筛查和/或补充其他技术，包括放射科医生的检查；因此，这项工作的结果应该考虑用于广泛的应用和部署。
深入了解多标签不平衡的胸部X射线数据集
在过去的几年中，卷积神经网络（CNN）占据了计算机视觉领域的主导，这要归功于它们在分类问题中提取功能及其出色表现的能力，例如在X射线自动分析中。不幸的是，这些神经网络被视为黑盒算法，即不可能了解该算法是如何实现最终结果的。将这些算法应用于不同领域并测试方法的工作原理，我们需要使用可解释的AI技术。医学领域的大多数工作都集中在二进制或多类分类问题上。但是，在许多现实情况下，例如胸部X射线，可以同时出现不同疾病的放射学迹象。这引起了所谓的“多标签分类问题”。这些任务的缺点是阶级失衡，即不同的标签没有相同数量的样本。本文的主要贡献是一种深度学习方法，用于不平衡的多标签胸部X射线数据集。它为当前未充分利用的Padchest数据集建立了基线，并基于热图建立了新的可解释的AI技术。此技术还包括概率和模型间匹配。我们系统的结果很有希望，尤其是考虑到使用的标签数量。此外，热图与预期区域相匹配，即他们标志着专家将用来做出决定的领域。©2023作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
胸部心脏和中风苏格兰提交2024年2月26日
虽然对替代的“ befast”（平衡，眼睛，脸部，手臂，语音，时间）筛查方法引起了很多兴趣，但并没有广泛的研究将其直接与快速进行比较。对院前筛查工具的Cochrane评论（Zhelev等，2019）并未考虑Befast的有效性，而是考虑了其他几个尺度。回顾性研究表明，Befast可以捕捉到的中风比快速（Aroor等，2017），尽管BEFAST可以提高成人缺血性中风的识别敏感性，但它并不能识别出儿科种群中快速的额外动作（O'Connor等人，2021年）。
检测胸部X射线和CT扫描的深度学习方法
深度学习的快速发展为改善医学图像分析创造了新的机会，尤其是在识别胸部CT和X射线扫描异常时。这项工作调查了旨在提高医疗环境诊断效率和准确性的几种深度学习技术。我们探讨了3D CNN，转移学习和卷积神经网络或CNN的使用，以分析体积CT扫描信息以及2D胸部X射线图片。比较分析表明，各种深度学习架构的益处和缺点，用于识别各种异常，包括肿瘤，肺部，肺炎和其他疾病。我们还介绍了预处理方法的重要性，专门为医学图片分析而设计的评估指标和数据集准备。结果强调了深度学习有可能通过促进对异常的更快，更准确的识别来彻底改变胸部成像诊断的可能性，这将增强患者的结果和医疗保健提供的有效性。在对胸部问题，未来的研究主题和该领域的障碍的深度学习分析中刺激了其他发展。
标题 : 抑制人工智能引发的通过胸部 X 光诊断新冠肺炎的热情：现状
此预印本的版权所有者于 2020 年 5 月 1 日发布此版本。；https://doi.org/10.1101/2020.04.28.20082776 doi: medRxiv preprint
人工智能应用于胸部X光检查以鉴别诊断新冠肺炎
1 意大利帕维亚 27100 大学高等研究院 IUSS 大学学院科学、技术和社会系； salvatore@deeptracetech.com 2 DeepTrace Technologies SRL，地址：Conservatorio 17，20122 米兰，意大利； interlenghi@deeptracetech.com （MI）; polidori@deeptracetech.com (AP) 3 米兰大学健康生物医学科学系，Via Mangiagalli 31, 20133 米兰，意大利； caterina.monti@unimi.it（CBM）; davide.capra@unimi.it （华盛顿特区）; andrea.cozzi1@unimi.it （交流）; francesco.sardanelli@unimi.it (FS) 4 意大利蒙扎—圣赫拉尔多医院放射科，Via Pergolesi 33，20900 蒙扎，意大利； davide.ippolito@unimib.it （DI）; d.gandola1@campus.unimib.it （DG）5 放射科，IRCCS Policlinico San Donato，Via Morandi 30，20097 San Donato Milanese，意大利； schiaffino.simone@gmail.com 6 诊断成像和立体定向放射外科部，CDI Centro Diagnostico Italiano SpA，Via Saint Bon 20, 20147 Milan，意大利； marco.ali@cdi.it 7 米兰比可卡大学物理系，Piazza della Scienza 3, 20126 米兰，意大利 8 国家研究委员会生物医学成像和生理学研究所，Via Fratelli Cervi 93, 20090 Segrate，意大利 9 米兰比可卡大学医学和外科学院，Piazza dell'Ateneo Nuovo 1, 20126 米兰，意大利； cristina.messa@unimib.it 10 米兰比可卡大学 Tecnomed 基金会，Palazzina Ciclotrone—Via Pergolesi 33，20900 蒙扎，意大利 * 通讯地址：isabella.castiglioni@unimib.it † C. Salvatore、M. Interlenghi 和 CB Monti 对本文贡献相同。
x raygpt：使用大型医学视觉语言模型
大语言模型（LLM）和视觉语言模型（VLM）的最新突破已经展示了有希望的近视，以执行各种任务。此类模型通常在大型数据集上进行培训，其中包括数十个具有多种任务的图像文本对。但是，它们在特定于任务域（例如放射学）上的性能仍然不足。尽管最近很少有作品探讨了基于LLMS的对话医学模型，但它们主要集中于基于文本的分析。在本文中，我们介绍了Xraygpt，这是一种会话医学视觉语言（VLMS）模型，可以分析和回答有关胸部二世图的开放性问题。具体来说，我们将两个医学视觉编码器与微调的LLM保持一致，以实现视觉对话能力，以对X光片和医学知识的理解为基础。为了改善胸部X光片数据的对齐，我们从自由文本放射学报告中生成了217K互动和高质量的摘要。进行了广泛的实验，以验证XRaygpt的优点。为进行专家评估，经过认证的医生在测试子集上评估了我们的XRaygpt的产出，结果表明，超过70％的响应是科学准确的，平均得分为4/5。我们的代码和模型可在以下网址提供：https：//github.com/mbzuai-oryx/xraygpt
通过GAN反演的隐式嵌入式高分辨率胸部X光片
摘要。生成模型允许创建高度现实的人造样品，从而在医学成像中开放了有希望的应用。在这项工作中，我们提出了一种基于多阶段编码器的方法，以将生成对抗网络（GAN）的发电机倒入高分子胸部X光片。这可以直接访问其隐式形成的潜在空间，使生成模型更容易被研究人员访问，并使其能够将生成技术应用于实际患者的图像。我们研究了此嵌入的各种应用程序，包括图像压缩，编码数据集中的分离，引导图像ma-nipulation以及创建程式化样品的创建。我们发现，这种类型的GAN反转是胸部X光片建模领域的一个有希望的研究方向，并为将现实的X射线样品合成与放射学图像分析结合起来开辟了新的方法。
基于人工智能的图像处理用于胸部 CT 扫描图像中的 COVID-19 检测
COVID-19 疫情引起了大数据分析师和人工智能工程师的关注。将计算机断层扫描 (CT) 胸部图像分类为正常或感染需要密集的数据收集和创新的 AI 模块架构。在本文中，我们提出了一个平台，该平台通过检查 CT 胸部扫描图像，涵盖 COVID-19 正常和异常方面的多个分析和分类级别。具体来说，该平台首先基于可靠的图像集合扩充要在训练阶段使用的数据集，分割/检测图像中的可疑区域，并分析这些区域以输出正确的分类。此外，在选择最适合我们研究的模块后，我们结合了 AI 算法。最后，与文献中的其他技术相比，我们展示了该架构的有效性。所得结果表明，所提架构的准确率为 95%。