XiaoMi-AI文件搜索系统
World File Search SystemDice
多任务 CNN 用于 3D 胎儿脑超声中的结构语义分割
摘要：胎儿大脑在整个怀孕期间都会经历广泛的形态变化，这可以在超声采集中直观地看到。我们探索使用卷积神经网络 (CNN) 在 3D 超声图像中分割多个胎儿大脑结构。胎儿超声图像中大脑结构的准确自动分割可以跟踪整个妊娠期的大脑发育，并提供有用的信息，帮助预测胎儿的健康结果。我们提出了一种多任务 CNN，用于根据图谱生成的白质、丘脑、脑干和小脑标签自动进行分割。在 480 个体积上训练的网络在 48 个测试体积上产生了准确的 3D 分割，白质的 Dice 系数为 0.93，丘脑、脑干和小脑的分割超过 0.77。
基于深度学习的小儿脑肿瘤检测和亚型预测的诊所 - 放射学模型
目的：小儿脑肿瘤的早期诊断可显着改善结果。目的是研究小儿脑肿瘤的磁共振成像（MRI）特征，并开发自动分割（AS）工具，该工具可以使用深度学习方法进行分割和分类，并与放射科医生评估进行比较。方法：这项研究包括94例，其中75例被诊断为室心症，髓母细胞瘤，脑干神经胶质瘤和毛细胞星形胶质细胞瘤，19例是正常的MRI脑病例。数据被随机分为培训数据，64例；测试数据，21例病例和验证数据，9例设计了一种深度学习算法以分割小儿脑肿瘤。将深度学习模型的灵敏度，特异性，正预测值（PPV），负预测值（NPV）和准确性与放射科医生的发现进行了比较。根据骰子得分和Hausdorff95距离进行的AS性能评估。结果：对MRI语义特征的分析是用坏死和出血进行的，因为预测室内室内室内症状，扩散限制和囊性变化的特征是髓母细胞瘤的预测指标。检测异常的准确性为90％，特异性为100％。对肿瘤进行进一步分割成增强和非增强组件。通过骰子评分和Hausdorff95距离分析了整个肿瘤（WT），增强肿瘤（ET）和非增强肿瘤（NET）的分割结果。将所有MRI特征预测的准确性与经验丰富的放射科医生的发现进行了比较。通过模型分类和放射科医生给定的分类[K-0.695（K是Cohen的Kappa interager可靠性得分）]。
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日](/simg/g:\will\search\icon\source\2\2a2d8560fd16ea111afbc2d7643448aea34eda89.webp)
arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日
摘要。由于样本有限、形状差异大以及肿瘤形态分布不均匀，从多模态脑 MRI 图像中进行肿瘤分割是一项具有挑战性的任务。随着深度学习的最新进展，自动医学图像分割的性能得到了显着改善。然而，模型预测在准确性和通用性方面尚未达到临床使用所需的水平。为了解决 BraTS 2023 挑战 1、2 和 3 中提出的独特问题，我们构建了一个基于 3D U-Net 模型的脑肿瘤分割优化框架。该框架融合了一系列技术，包括各种预处理和后处理技术以及迁移学习。在验证数据集上，该多模态脑肿瘤分割框架在挑战 1、2、3 上分别实现了平均病变 Dice 得分 0.79、0.72、0.74。
![arxiv：2012.15318v1 [eess.iv] 2020年12月30日](/simg/g:\will\search\icon\source\7\7371e2d3d1855378e227bef0191c9de17a2e6d4c.webp)
arxiv：2012.15318v1 [eess.iv] 2020年12月30日
摘要。在本文中，我们提出了一个混合高分辨率和非局部特征网络（H 2 NF-NET），以分割多模态MR图像中的脑肿瘤。我们的H 2 NF-NET使用单个和级联的HNF-NET来分割不同的脑肿瘤子区域，并将预定剂结合在一起作为最终分割。我们培训并评估了我们的模型关于多模式脑肿瘤分割挑战（BRATS）2020数据集。The results on the test set show that the combination of the single and cascaded models achieved average Dice scores of 0.78751, 0.91290, and 0.85461, as well as Hausdorffdistances (95%) of 26.57525, 4.18426, and 4.97162 for the enhancing tumor, whole tumor, and tumor core, respectively.我们的方法赢得了近80名参与者的Brats 2020挑战细分任务的第二名。
深度学习的工作流程，用于自动提取心脏纤维化中心脏计算机断层扫描上心房和心外膜脂肪组织的自动提取
抽象背景：计算机断层扫描（CT）图像上左心房（LA）和心外膜脂肪组织（EAT）体积的术前估计与心房颤动（AF）复发的风险增加有关。我们旨在设计一个基于学习的工作流程，以提供对心房，心包和饮食的可靠自动分割，并为未来在AF管理中的应用提供。方法：本研究招募了157例AF患者，他们在2015年1月至2017年12月在台北退伍军人综合医院之间接受了首次导管的消融。LA，右心庭（RA）和心包的三维（3D）U-NET模型用于开发用于总，LA-EAT和RA-EAT自动分割的管道。 我们将心包内的脂肪定义为组织，衰减在-190至-30 HU之间，并量化了总食物。 在心包内的LA或RA的扩张性内部边界和心内膜壁之间的区域用于检测归因于脂肪的体素，从而估计La-EAT和RA-EAT。 结果：LA，RA和心包分割模型的骰子系数分别为0.960±0.010、0.945±0.013和0.967±0.006。 3D分割模型与LA，RA和心包的地面真相良好相关（r = 0.99，所有人的P <0.001）。 我们提出的食品，LA-EAT和RA-EAT方法的骰子系数分别为0.870±0.027、0.846±0.057和0.841±0.071。 结论：我们提出的用于自动LA，RA和饮食分割的工作流程在CT图像上使用3D U-NETS对AF患者可靠。用于开发用于总，LA-EAT和RA-EAT自动分割的管道。我们将心包内的脂肪定义为组织，衰减在-190至-30 HU之间，并量化了总食物。在心包内的LA或RA的扩张性内部边界和心内膜壁之间的区域用于检测归因于脂肪的体素，从而估计La-EAT和RA-EAT。结果：LA，RA和心包分割模型的骰子系数分别为0.960±0.010、0.945±0.013和0.967±0.006。3D分割模型与LA，RA和心包的地面真相良好相关（r = 0.99，所有人的P <0.001）。我们提出的食品，LA-EAT和RA-EAT方法的骰子系数分别为0.870±0.027、0.846±0.057和0.841±0.071。结论：我们提出的用于自动LA，RA和饮食分割的工作流程在CT图像上使用3D U-NETS对AF患者可靠。
第一个硅在22nm技术中启用Rad-Hard非挥发性内存，用于空间AP-
8轨标准电池库提供了必需的辐射硬化元件。这些包括骰子拖鞋，闩锁和时钟门，过滤器，三倍多数选民，设置过滤器和固定时钟缓冲区。对于正常的随机逻辑，在该项目中使用了兼容的商业细胞。该解决方案是一个占位符，很快将被一个全新的10轨库替换，其中包含更丰富的细胞组，还包含硬化细胞的随机逻辑，并且将以十二个栅极长度 / VT风味组合提供。在撰写本文时（2022年5月），图书馆单元格在另一个测试芯片中正在制造[1]。
从磁共振成像中对胎儿大脑进行半自动分割
方法：招募了单胎妊娠成年女性（n = 21），其中 5 名接受了两次扫描，间隔约 3 周[共 26 个数据集，中位孕周 (GA) = 34.8，IQR = 30.9–36.6]。使用 1.5T 和 3T MRI 扫描仪获取胎儿大脑的 T2 加权单次激发快速自旋回波图像。首先将图像组合成一个 3D 解剖体积。接下来，经过训练的示踪剂手动分割丘脑、小脑和总大脑体积。将手动分割与高级规范化工具 (ANT) 和 FMRIB 的线性图像配准工具 (FLIRT) 工具箱中提供的五种自动分割方法进行了比较。使用 Dice 相似系数 (DSC) 比较手动和自动标签。使用 Friedman 重复测量检验比较 DSC 值。
一种无需体外处理受精卵的大片段敲入动物生产的新技术
AAVpro 包装质粒 (AAV2，#6234；AAV5，#6664；AA6，#6665，Takara Bio) 和 AAVpro 293T 细胞系 (#632273，Takara Bio)。所有 AAV 载体质粒均通过将对应于目标基因座和敲入序列的 PCR 片段克隆到 EcoRV 和 BglII 限制位点之间的 pAAV-CMV 载体中，去除 CMV 启动子、b-珠蛋白内含子和 hGH polyA 来构建。按照制造商的说明，使用 Xfect 转染试剂 (#631318，Clontech) 将 AAV 质粒和包装质粒转染 293T 细胞。使用 AAVpro 纯化试剂盒 (所有血清型) (#6666，Takara Bio) 提取和浓缩 AAV。使用 AAVpro 滴定试剂盒（#6233，Takara Bio）和热循环仪 Dice 实时系统 III（TP950，Takara Bio）估算病毒基因组拷贝数。
使用深度学习对胶质母细胞瘤患者进行全自动脑切除腔描绘以定义放射靶体积
背景：自动脑肿瘤分割方法是一种计算算法，可从多模态磁共振成像 (MRI) 中勾画出肿瘤轮廓。我们介绍了一种使用深度学习 (DL) 技术对多形性胶质母细胞瘤 (GBM) 患者的切除腔 (RC) 进行自动分割的方法及其结果。方法：纳入 30 名 GBM 患者的术后、有无造影的 T1w、T2w 和液体衰减反转恢复 MRI 研究。三位放射肿瘤学家手动勾画了 RC 以获得参考分割。我们开发了一种 DL 腔分割方法，该方法利用所有四个 MRI 序列和参考分割来学习执行 RC 勾画。我们根据 Dice 系数 (DC) 和估计体积测量值评估了分割方法。
信件 MSIFF：通过交错主从级布局拓扑实现抗辐射触发器
敏感节点对之间的电荷共享。当入射离子撞击敏感晶体管（例如节点 mn2 中的 PMOS 晶体管）时，一列电子-空穴对会沿入射轨道电离。电离载流子扩散到相邻的晶体管，导致相邻敏感节点之间的电荷收集，如图 3 所示。对于传统的 DICE 触发器，敏感节点对将收集足够的电荷并导致 SEU。对于所提出的 MSIFF，增加的节点间距可有效减少由于复合过程引起的扩散收集。此外，从属锁存器的插入组件也有助于收集额外的载流子 [19]。它将显著降低电离载流子密度并阻止扩散收集过程。因此，敏感节点对不会同时收集足够的电荷，并且所提出的 MSIFF 中不会发生 SEU。