XiaoMi-AI文件搜索系统
World File Search SystemContrast
临床数据仓库的大脑T1加权磁共振图像的自动质量控制
图1：来自临床数据仓库和Correponding标签的T1W脑图像的示例。a1：质量高的图像（第1层），没有gadolinium； A2：质量高（第1层），带有Gadolinium； B1：中等质量（第2层），没有Gadolinium（噪声1级）； B2：中等质量（第2层），带有Gadolinium（对比1级）； C1：不良质量（第3层），没有gadolinium（对比2级，运动2级）； C2：不良质量（第3层），gadolinium（对比2级，运动级1级）； D1：笔直排斥（分段）； D2：直接拒绝（裁剪）。
使用对比度增强乳房摄影（CEM）
摘要：我们试图开发新的量化方法来表征乳房X线摄影密度的空间分布以及可疑对比增强乳房X线摄影（CEM）的对比度增强，以改善乳房病变的良性分类。我们回顾性地分析了从2014 - 2020年在IRB批准的研究中从我们机构进行CEM成像和组织采样的所有乳房病变。惩罚线性判别分析用于基于乳房X线摄影密度和对比度增强的径向分布的平均直方图对病变进行分类。t检验用于比较密度，对比度和串联密度和对比直方图的分类精度。逻辑回归和AUC-ROC分析用于评估添加人口统计学和临床数据是否提高了模型准确性。总共评估了159个可疑发现。密度直方图比随机分类（62.37％vs. 48％; p <0.001）更准确地将病变分类为恶性或良性，但是与单独的密度合影相比，串联的密度和对比度表现出更高的精度（71.25％; p <0.001）。包括我们模型中的人口统计学和临床数据，导致AUC-ROC高于串联密度和对比度图像（0.81 vs. 0.70； P <0.001）。在侵入性与非侵入性恶性肿瘤的分类中，串联密度和对比直方图在单独的密度直方图（77.63％vs. 78.59％vs. 78.59％; p = 0.504）中没有显着提高的准确性。添加患者人口和临床信息进一步提高了分类精度。我们的发现表明，乳房X线摄影密度的径向分布的定量差异可用于区分恶性肿瘤与良性的乳房发现。但是，通过从CEM中添加对比度增强成像数据，分类精度得到了显着提高。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
动物对气候变化的自适应反应
图2个单独的外套颜色对比降低了雪鞋野兔的存活。没有适应性，预测这些领域的成本将气候变化下的对比度预期增加导致人口增长率的预期下降。虚线表示95％可靠的间隔，而实线描绘了单个野兔及其背景之间给定颜色对比的平均存活率。[改编自M. Zimova，L。S。Mills和J. J. Nowak，气候变化引起的伪装不匹配的高健身成本，Ecol。Lett。，19（3）：299–307，2016]
主题：磁共振成像（MRI）心脏
磁共振成像（MRI）或心脏磁共振成像（CMR）是一种无辐射，无创的技术，用于在多个平面中产生体内的高质量分段图像。MRI使用体内氢原子的自然磁性特性，当暴露于强磁场内的无线电波时，会发出射频信号。这些信号通过计算机处理和转换为高分辨率，三维层析成像图像。MRI产生的图像和分辨率非常详细。用于某些MRI，对比材料（例如Gadolinium，Gadolidol，非离子和低渗透对比介质，离子和高渗透对比介质）用于启用人体系统或身体结构的可视化。
Microsoft Word-IEEE-TMI深度学习可以减少对比增强的血脑屏障开口的gadolinium剂量。docx
摘要 - 聚焦超声（FUS）可用于打开血脑屏障（BBB），而具有对比剂的MRI可以检测到该开口。然而，重复使用基于Gadolinium的对比剂（GBCA）对患者提出了安全问题。这项研究是第一个提出通过深度学习来模拟体积传输常数（KTRAN）以减少造影剂剂量的想法的想法。该研究的目的不仅是重建人工智能（AI）衍生的ktrans图像，而且还可以通过低剂量对比剂T1加权MRI扫描来增强强度。我们通过先前的最新时间网络算法成功验证了这个想法，该算法的重点是在体素级别提取时域特征。然后，我们使用了由时空卷积神经网络（CNN）基于三维CNN编码器组成的时空网络（ST-NET），以提高模型性能。我们在FUS诱导的BBB开口数据集中测试了ST-NET模型，该模型是从小鼠大脑的不同侧面测试的。ST-NET成功检测并增强了BBB开放信号，而无需牺牲空间域信息。st-net被证明是减少对对比剂的需求，用于对对比剂进行对比剂的需求，以模拟从时间序列动态对比增强磁共振成像（DCE-MRI）扫描中对BBB开放的K-Trans图进行建模。
木制rapa孤儿基因在很大程度上影响可溶性糖代谢
摘要孤儿基因（OG S）是特定分类群独有的基因，在原代新陈代谢中起着至关重要的作用。然而，对于我们先前的研究中鉴定出的铜管rapa og s（brog s）的功能意义知之甚少。为了研究其生物学功能，我们在拟南芥中开发了43个基因的Brog过表达（Brog OE）突变库，并评估了植物的表型变异。我们发现43个Brog OE突变体中有19个表现出突变体表型，而42个显示出可变的糖含量。选择了一个突变体Brog1 OE，具有显着升高的果糖，葡萄糖和总糖含量，但蔗糖含量降低，以进行深度分析。Brog1 OE显示出拟南芥合成酶基因（ATSUS）的表达和活性降低；但是，转化酶的活性没有变化。In contrast, silencing of two copies of BrOG1 in B. rapa, BraA08002322 ( BrOG1A ) and BraSca000221 ( BrOG1B ), by the use of an ef fi cient CRISPR/Cas9 system of Chinese cabbage ( B. rapa ssp.campestris）由于brsus1b，brsus3的上调，果糖，葡萄糖和总可溶性糖含量降低，并且特定于编辑的Brog1转基因线中的BRSUS5基因。此外，我们观察到蔗糖含量增加和Brog1突变体中的SUS活性，转化酶的活性保持不变。因此，Brog1可能以SUS依赖性方式影响了可溶性糖代谢。这是研究Brog S在可溶性糖代谢方面的功能的第一份报告，并强化了OG S是营养代谢的宝贵资源的观念。
理解模仿 - 对抗性 - 加速器 - ...
cc/cs校正的成像允许使用最弹性和非弹性散射电子进行图像形成，而不会因单色而导致的光束强度损失。与成像能滤波器结合使用，可以使用等离子体 - 损坏或核心减脂电子形成原子分辨率EFTEM图像。对于原子分辨率滤波的TEM不仅需要对物镜的色差进行校正，而且成像能量滤波器的性能也必须满足主要是色变形和非异质性的条件。我们显示了用于大型能窗的原子分辨率的石墨烯的能量过滤透射电子显微镜（EFTEM）成像。以前的作品表现出与电离边缘信号（例如硅或钛的L 2,3边缘）的晶格对比[5,6]。然而，发现直接解释化学信息受到较厚样品的动态散射的弹性对比的贡献所阻碍。我们证明，即使在一个光原子薄样品的电离 - 边缘信号中也保留了弹性对比度 - 石墨烯 - 得出结论，任何原子分辨率EFTEM图像都无法用纯化学对比度来解释[7]。
ZEISS PhaseEvolve
使用 ZEISS Versa XRM 上的相位对比模式对吸入混合物中的乳糖载体颗粒进行成像。显示了原始（左）和 PhaseEvolve 处理（右）断层扫描数据的扫描体积重建的 2D 切片以及相应的直方图。处理后的数据提供无伪影的高对比度数据，其直方图易于分割。