XiaoMi-AI文件搜索系统
World File Search SystemContrast
使用新型T1弛豫增强稳态（T1RESS）MRI技术
一种提供更准确的癌症检测的技术将具有很大的价值。为此，我们开发了T1弛豫增强的稳态（T 1 RES），这是一种新型的磁共振成像（MRI）脉冲序列，可实现T1加权的柔性调制，并提供了独特的特征，在相反增强体验的扫描中，可以在和关闭体血管内信号。t 1 ress可以有效地使用具有提高信噪比效率的MRI技术来进行癌症成像。与标准技术相比，在一项概念验证研究中，“黑血”不平衡的T 1 ress可对肿瘤到脑的对比度有两倍的改善，而平衡的T 1 ress大大增强了血管细节。总而言之，T 1 Ress代表了一种新的MRI技术，具有癌症成像的巨大潜在值，以及其他广泛的临床应用。
心血管磁共振成像中的人工智能应用：我们是否正在避免造成造影剂的给药的道路？
摘要：近年来，由于技术创新而导致的心血管成像检查经历了指数增长，并且这种趋势与最新的胸痛指南一致。对比介质在心血管磁共振（CMR）成像中具有至关重要的作用，从而使不同心血管疾病的表征更加精确。然而，对比介质具有禁忌症和副作用，限制了其在决定性患者中的临床应用。基于人工智能（AI）的技术在CMR成像中的应用导致了非对比度模型的发展。这些AI模型独立或与临床和人口统计数据结合使用非对比度成像数据，作为生成诊断或预后算法的输入。在这篇综述中，我们提供了与AI有关的主要概念的概述，回顾有关CMR中非对比度AI模型的现有文献，并最终讨论这些AI模型的优势和局限性及其未来的发展。
昨天的奖励是今天的惩罚：人类对强化学习者反馈的对比影响
自主代理向用户保证了个性化的未来，允许他们将注意力转移到对他们最有意义的任务上。但是，个性化的需求无法实现诸如机器学习之类的车型训练范式，这需要许多数据订单才能培训代理的单个任务。在顺序决策域中，加强学习（RL）可以实现这一需求，当对所需行为的先验培训非常棘手时。先前的工作已利用用户输入来培训代理将其映射到数值奖励信号。但是，最近的方法已经确定了不一致的人类反馈是实现最佳表现的瓶颈。在这项工作中，我们提供了经验证据，以表明受对比影响影响的人类感知会扭曲其对强化学习者的反馈。通过一系列研究，涉及来自亚马逊机械土耳其人的900名参与者，他们被要求向RL代理提供反馈，我们表明，参与者在接触了同一任务上具有较高能力的代理商后，明显低估了代理商的行动。为了了解这种影响在训练过程中对代理的重要性的重要性，然后我们模拟了培训师，这些培训师基于过去的性能（创建系统偏向的反馈信号）对代理的动作进行了低估 - 整合到了Actor-Critic框架中。我们的结果表明，在Atari环境中人类反馈中有系统偏斜的情况下，代理性能最多可降低98％。我们的工作提供了对人类反馈不一致的源头的概念理解，从而为人类代理人的互动设计提供了信息。
利用光纤散斑对比光谱系统测量人体脑血流量和脑功能
。CC-BY-NC-ND 4.0 国际许可，根据未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2023 年 4 月 8 日发布。；https://doi.org/10.1101/2023.04.08.535096 doi：bioRxiv 预印本
紫外激发微分干涉对比热透镜显微镜的开发，用于蛋白质分子计数
这种空间的体积如此之小，分析物分子的数量正在减少，需要单分子水平的检测方法。特别是，单个非荧光分子的检测非常重要，因为大多数分子没有荧光。相反，我们开发了用于灵敏检测非荧光分子的热透镜显微镜 (TLM)，并实现了在 7 fL 中测定 0.4 个分子的浓度 [1] 和使用紫外激发激光计数单个大型生物分子 (λ-DNA) [2]。然而，由于光学背景较大，这是基于 TLM 原理的一个问题，因此无法实现蛋白质等小分子的计数。因此，我们通过引入微分干涉对比 (DIC) 显微镜的原理开发了微分干涉对比热透镜显微镜 (DIC-TLM) 以实现无背景检测。到目前为止，DIC-TLM 可以实现对单个非荧光分子的检测 [3]，而之前的 DIC-TLM 使用可见光激发，无法检测在紫外线范围内有吸收的生物分子。本文开发了一种新型紫外激发DIC-TLM（UV-DIC-TLM）用于检测单个蛋白质分子。具体而言，设计了用于紫外激发的DIC棱镜和显微镜等光学元件，验证了UV-DIC-TLM的原理并评估了其性能。
紫外激发微分干涉对比热透镜显微镜的开发，用于蛋白质分子计数
这种空间的体积如此之小，分析物分子的数量正在减少，需要单分子水平的检测方法。特别是，单个非荧光分子的检测非常重要，因为大多数分子没有荧光。相反，我们开发了用于灵敏检测非荧光分子的热透镜显微镜 (TLM)，并实现了在 7 fL 中测定 0.4 个分子的浓度 [1] 和使用紫外激发激光计数单个大型生物分子 (λ-DNA) [2]。然而，由于光学背景较大，这是基于 TLM 原理的一个问题，因此无法实现蛋白质等小分子的计数。因此，我们通过引入微分干涉对比 (DIC) 显微镜的原理开发了微分干涉对比热透镜显微镜 (DIC-TLM) 以实现无背景检测。到目前为止，DIC-TLM 可以实现对单个非荧光分子的检测 [3]，而之前的 DIC-TLM 使用可见光激发，无法检测在紫外线范围内有吸收的生物分子。本文开发了一种新型紫外激发DIC-TLM（UV-DIC-TLM）用于检测单个蛋白质分子。具体而言，设计了用于紫外激发的DIC棱镜和显微镜等光学元件，验证了UV-DIC-TLM的原理并评估了其性能。
使用动态光学造影剂成像（DOCI）的基于机器学习的肿瘤分割和分类
t yler v asse 1，2†，y Azeed a lhiyari Ph.d 1†，l auran k。e Vans M.D.3，4，Ramesh Shori Ph.D 3。 m aie s t。 J OHN MD。 ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。3，4，Ramesh Shori Ph.D 3。m aie s t。J OHN MD。ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。
设计和制造用于智能注射医学成像应用中特定剂量对比药的注射泵
注射泵是一种小型注射装置，用于控制患者的少量药物或用于精确施用液体的化学和生物医学研究。1，特别是让孩子开处方液体药物很长时间。2通常有两种注射器泵：医疗输液泵和研究注射器泵。医疗输液泵是一种用于向患者提供受控量的液体，例如营养，药物，化学疗法和血液。3实际上它们用于体内诊断，治疗和研究。另一方面，研究注射器泵是一种用于应用非常小的液体或液体药物的应用程序中的装置。4流速控制的性能准确性或效率对于液滴微流体系统的应用非常重要。
机器学习方法是否改善了具有高空间对比度的环境空气污染物的预测？系统评价
背景与目标：使用机器学习来进行空气污染建模正在迅速增加。我们对比较统计和机器学习模型的研究进行了系统的综述，该研究预测了环境氮二氧化氮（NO 2），超细颗粒（UFPS）和黑碳（BC）的时空变化，以确定哪种情况以及在哪种情况下，机器学习是否会产生更准确的预测。方法：截至2024年6月13日，搜索了科学和Scopus的网络。所有记录均由两个受依赖的审阅者筛选。在最佳统计和机器学习方法之间的确定系数（R 2）和均方根误差（RMSE）之间的差异进行了比较。结果：包括46个模型比较的38项研究（第2号，UFPS为30，为BC为8）。线性非规范方法和随机森林最常使用。机器学习在34个比较中优于统计模型。最佳机器学习和统计模型之间的R 2中的平均差异（95％置信区间）分别为0.12（0.08、0.17）和20％（11％，29％）。基于树的方法在17个多模型比较中的12个中表现最好。非线性或正则回归方法仅在12个比较中使用，并提供了与机器学习方法相似的性能。结论：这项系统的综述表明，机器学习方法，尤其是基于树的方法，可能优于线性非验证方法，用于预测2号，UFP和BC的环境浓度。需要使用非线性，正则化和更广泛的机器学习方法的其他比较研究来确认其相对性能。未来的空气污染研究也将受益于对方法和结果的更明确和标准化的报告。
对比造影剂增强了回顾性NSCLC队列模型中的CT放射基因组学，尝试验证已发布模型以及临床环境的相关性
来自多伦多大学多伦多大学玛格丽特公主医院医学成像联合部，加拿大M5G 2C1（又名R.H.，R.K.，R.K.，S.M.，C.O.，C.O.，U.M.，P.V.-H。）;苏黎世苏黎世大学苏黎世大学苏黎世大学诊断与介入放射学研究所，瑞士（R.H.）；多伦多大学多伦多大学玛格丽特癌症中心生物统计学系，加拿大M5G 2C1（L.A.）；加拿大安大略省多伦多的安大略省癌症研究所/公主玛格丽特癌症中心大学卫生网络（M.T.，Q.L.）;加拿大多伦多大学大学卫生网络辐射肿瘤学系（A.H.）。收到2023年12月11日；修订于2024年1月18日； 2024年1月23日接受。地址为：K.A。电子邮件：andres.kohan@uhn.ca电子邮件：andres.kohan@uhn.ca