XiaoMi-AI文件搜索系统
World File Search SystemHounsfield
制造用于医疗设备开发的放射线，载有药物的可吸收聚合物
图4。在10-12周内释放了放射性，机械强度，Gadolinium（GD）和二吡啶胺（DPA）的纵向监测。（a）在Hounsfield单元（HU）中测量的放射性量，随着时间的流逝逐渐减少，反映了机械强度（B）的降低趋势，被评估为千克（kg）的损耗。（c，d）GD和DPA含量显示出稳定的减少，反映了它们在研究期间的受控释放。PPDO，聚-P-二恶酮。
制造用于医疗器械开发的不透射线、载药可吸收聚合物
图 4. 10-12 周内纵向监测射线不透性、机械强度、钆 (Gd) 和双嘧达莫 (DPA) 释放情况。(A) 以亨斯菲尔德单位 (HU) 为单位测量的射线不透性随时间推移逐渐降低，与机械强度 (B) 的下降趋势相吻合，机械强度以千克 (kg) 为单位评估为断裂载荷。(C、D) Gd 和 DPA 含量稳步降低，反映出它们在研究期间的控制释放。PPDO，聚对二氧杂环己酮。
大脑成像的演变：从CT扫描到fMRI及以后。
计算机断层扫描（CT）扫描，于1970年代引入，标志着医学成像的开创性进步。由英国工程师Godfrey Hounsfield和物理学家Allan Cormack开发，CT扫描使用X射线梁创建大脑的横截面图像。这项技术比传统的X射线提供了更大的分辨率，使临床医生能够以更高的精度检测肿瘤，出血和结构异常。尽管具有优势，但CT成像的区分能力有限，并使患者暴露于电离辐射，从而促使人们寻找更安全，更详细的成像方法[2]。
太阳能项目规划
通过用称为第 94-c 条的新选址程序取代第 10 条，所有 25 兆瓦或更大的大型可再生能源项目都必须通过 ORES 寻求批准的新建或扩建许可证。 ORES 有权从州和地方法律的角度为大型可再生能源设施的建设颁发单一许可证，但申请人仍需获得联邦法律规定的任何必要批准，包括联邦授权的许可证。20-25 兆瓦之间的可再生能源项目可以选择 ORES 流程或通过当地分区审查。此前，25 兆瓦或更大的可再生能源项目要遵守《公共服务法》第 10 条。Tug Hill 委员会服务区内所有属于第 10 条流程的太阳能项目都已转入 ORES 流程。根据公共服务部网站，Tug Hill 地区属于 ORES 流程的项目有 Alder Creek Solar（Boonville 和 Forestport）和 Greens Corners Solar（Hounsfield 和 Watertown）。要查看已提议的项目、随附文件和申请人所需文件，您可以访问 ORES 网站的许可证申请部分。
使用计算机断层扫描 (CT) 成像检查人脑内的子弹
我们报告了使用计算机断层扫描 (CT) 的 2D 和 3D 图像中人脑内子弹的位置。它基于在圆形 3600 CCD 探测器上用 X 射线光子扫描大脑的硬组织和软组织以及子弹。目标大脑和子弹的吸收在测量电流 (mA) 和映射的亨斯菲尔德单位 (HU) 方面存在显著差异，这是切片数量的函数。2D 和重建的 3D 图像显示大脑软组织，与 HU 较高的子弹部分相比，大脑软组织较暗且 HU 较低，而子弹部分为白色且 HU 较高。子弹与铜 (Cu) 的衰减系数和脑颅骨与钙 (Ca) 的衰减系数高于脑软组织与氢 (H) 和氧 (O) 的衰减系数。一个典型的例子是观察到切片中心的图像在 3071 HU 处显示更亮。生成了 3D 脑结构图像，并在不同的观察位置进行了可视化。子弹的测量值为距离入口（前部）11.28 厘米，距离后部 7.92 厘米，深度 6.96 厘米，位于大脑上部。根据我们的分析，子弹位于左半球，是下丘脑和胎盘的一部分。
非对比度计算机断层扫描在评估中的作用...
[1]在这个新的放射学时代，计算机断层扫描已成为头部受伤患者初步评估的基本主要选择。在检测颅骨骨折和急性颅内出血方面，它也很容易获得，更快且高度准确。[2]基于50名被转诊为NCCT头部调查的患者，根据调查的50名患者，基于便利性抽样进行了一项前瞻性研究。进行了研究以确定临床发现，断裂的类型和骨折部位。这项研究得出的结论是，NCCT头部调查是最佳的脑损伤史患者的主要方式。关键字：NCCT头，MDCT，断层扫描，重建。简介CT扫描代表计算机断层扫描。这是一种特殊的断层扫描形式，其中计算机用于对层析成像平面或切片进行数学重建。1971年10月1日，在由Godfrey N. Hounsfield爵士开发的原型扫描仪上进行了涉嫌进行额叶肿瘤的患者进行的第一次临床计算机断层扫描（CT）扫描。扫描仪产生了具有80 x 80矩阵的图像。[3] 1974年，罗伯特·史蒂文·莱德利（Robert Steven Ledley）博士给了整个 -
1973 年：北美第一台 CAT 扫描仪
1. Bates, S.、Beckmann L.、Thomas, A.、Waltham R. 2012 年。“Godfrey Hounsfield：CT 的直觉天才。”英国放射学会。2. Baker, H. 1993 年。“历史片段：计算机断层扫描在北美的引入。”美国神经放射学杂志；第 14 卷，第 283-287 页。3. Baker, H. 等人 1974 年。“头部计算机辅助断层扫描：早期评估。”梅奥诊所学报；第 49 卷，第 17-27 页。4. David, G.、Hodgson J.、Kincaid, O. 1990 年。“梅奥诊所的诊断放射学：对 20 世纪 40 年代至 70 年代人员和实践的个人回忆”[未发表]。 Mayo Clinic Libraries，RC78.7D53 D38 1990x，第 130-140 页。5. Schultz, R.、Stein, J.、Pelc, N. 2021 年。“CT 的诞生：医学计算机断层扫描的早期发展。”《医学影像杂志》；第 8(5) 卷，2021 年 9 月/10 月。6. McCollough, C. 2020 年 4 月 15 日。“X 射线计算机断层扫描 (CT) 简介” [视频]。YouTube。https://youtu.be/M6vsBcxHPZU 7. 梅奥诊所档案馆位于 W. Bruce Fye 医学史中心；明尼苏达州罗切斯特。8. 梅奥诊所遗产影片 (2023)：“一种新的观察方式：梅奥诊所的第一次 CAT 扫描。”
日记预备
启用基于MR的治疗计划需要从MRI几何形状中准确的CT样数据生成[7,8]。传统上可以通过基于ATLA的方法[9,10]来实现，该方法最初将MRI体素分割为不同的组织区域，然后将预定义的HU值分配给每个区域[10]。基于地图集的方法[9]涉及将Atlas-MRIS注册到新的MR图像中，并使用位移矢量场（DVF）翘曲Atlas CT，这在很大程度上取决于可变形注册结果的准确性[11]。在人工智能的新时代，深度学习（DL）已成为计算机视觉和模式识别的主要方法[12]。基于深度学习的合成CT生成也已成为一个流行的研究主题[13,14]。通过利用其出色的能力从输入图像中提取信息性特征，深度神经网络在基于MR的CT合成任务中取得了显着的结果[7]。已经提出了各种网络体系结构，以学习从MR强度到CT Hounsfield单位[15-21]的体素映射，并且还探索了合成CT掺入质子治疗[19-25]或碳离子治疗[26]的工作流程中。由于大尺寸的全分辨率CTS，通常将整个3D图像馈入单个神经网络通常是不可行的。因此，已经采用了不同的策略来通过重叠或非重叠的2D贴片，2D切片，2.5D切片或3D贴片[27]进行分配，然后由网络单独转换，然后合并以实现最终估计。
上膜脂肪组织与2型糖尿病的早期结构和功能性心脏变化的关联
背景：表达脂肪组织失调（EAT）可能有助于2型糖尿病（T2D）的心力衰竭发展。这项研究旨在评估T2D患者且没有普遍的心血管疾病的患者的饮食体积与成分与亚临床心脏功能障碍的成像标记之间的关联。方法：前瞻性病例对照研究，招募有或没有T2D的参与者并且没有已知的Cardiovas cular病。包括215人T2D（中位年龄为63岁，男性60％）和39名非糖尿病患者（59岁的中位年龄为62％）。使用计算机断层扫描（CT），总饮食体积和平均CT衰减，以及低衰减（Hounsfield单位范围-190至-90）的饮食量通过深度学习方法和量索引到身体表面积进行量化。使用线性回归评估了与心脏磁共振衍生的左心室（LV）体积和应变指数的关联。结果：T2D参与者的LV质量/体积比（中位0.89 g/ml [0.82 - 0.99] vs 0.79 g/ml [0.75 - 0.89]）和较低的全球纵向应变（GLS; 16.1±2.3％vs 17.2 vs 17.2±2.2％）。总索引食品量与平均CT衰减相关。低衰减索引的饮食量高2倍（18.8 cm 3 /m 2 vs. 9.4 cm 3 /m 2，p <0.001，p <0.001），与LV质量 /体积比（ß= 0.002，p = 0.01）和GLS（ß= - 0.03，p = 0.03，p = 0.03）独立相关。结论：T2D中看到的较高饮食量与平均CT衰减较低有关。低衰减索引的饮食体积是独立的，但仅与T2D中亚临床心脏功能障碍的标记相关。
评估非对比度颅骨CT脑图像的超急性和急性缺血性卒中分类
应迅速接受患者。关于NCCT图像的另一个问题，强度的范围非常宽且稀疏。需要在适合分类器的合适范围内重新销售。在本文中，我们旨在找到合适的窗口设置，用于通过使用Inpection v3在没有CTP的情况下对NCCT图像中缺血性中风的超急性和急性相分类。数据集以轴向切片制备。每个载玻片分类为正常或病变。由于训练样本的限制，将转移学习用于模型的重量初始化。结果表明该模型可以在35时窗口级别表现良好，而窗口宽度为95，90.84％的精度。关键字超急性缺血性中风，急性缺血性中风，非对比度颅骨计算机断层扫描，窗户CT，图像分类1。引言1.1研究中风的背景是全球死亡的第二大原因。在泰国，中风成为死亡或功能障碍的第一个原因。缺血性中风和出血中风是主要原因。缺血性中风是由凝块引起的，该凝块导致大脑的血液供应低（Musuka等人2015）。它分为四个阶段：超急性，急性，亚急性和慢性梗塞（Pressman BD和Tourje EJ 1987）（Nakano s and iseda t 2001）。但是，如果检测到较早的中风，它可能会增加生存和恢复的机会。神经影像受到医生的诊断。在泰国，CT被广泛使用，因为成本比MRI便宜。有许多类型的神经成像，例如磁共振成像（MRI）和计算机断层扫描（CT）。它成为诊断标准并广泛可用（Barber Pa等。2005），（Kidwell CS等人 1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。 2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2005），（Kidwell CS等人1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。1999）。图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2016），（Melisa Sia 2020），（Xue等人2012）尽管CT快速又便宜，但仍有一个限制。视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人，2013）使用造影剂。不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2019），（Cheon等人2019），（Meier等人2019），（Mirtskhulava等人2015），脑肿瘤（Nadeem等人2020），肺癌（Weng等人2017），Retina（Christopher等人 2018）。2017），Retina（Christopher等人2018）。2018）和乳腺癌（Chougrad等人 尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2018）和乳腺癌（Chougrad等人尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2020）也可以在此任务中应用深度学习来实现治疗的最终目标。纸张的其余部分如下组织。CT窗口上的先前工作可以在第1节中找到。第2节阐明了研究的目的。第3节介绍了建议的方法，数据集，CT窗口过程，本工作中应用的分类。在第4节中解释了实验结果的细节，结论是在第5节中。1.2计算机断层扫描中的文献综述（CT）被称为评估梗塞中风的方式。窗口级别（WL）和窗口宽度（WW）的值是具有诊断准确性的重要因素。它可以揭示患者大脑的微妙异常。通常，CT图像上的默认脑窗口设置为40，窗口宽度为80（EE等人。2017），但是这个窗口很难审查梗塞，尤其是在中风的早期。因此，许多作品都在选择适当的窗口级别的合适值，并提出了检测缺血性中风的窗口宽度。