XiaoMi-AI文件搜索系统
World File Search SystemIma
脑图像数据结构 (BIDS) 的过去、现在和未来
Poldrack，Russell A. 1，Markiewicz，Christopher J. 1，Appelhoff，Stefan 2，Ashar，Yoni K. 3，Auer，Tibor 4,5，Baillet，Sylvain，Sylvain 6，Bansal，Bansal，Shashank 7，Shashank 7，Beltrachini，Beltrachini，Beltrachini，Leanar，Leanar，Benar，Christian G. 9，Bertazzoli，bertazzoli，bertazzoli，bertazzoli，10,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,1111 ,, ，Blair，Ross W. 1，Bortoletto，Marta 10，Boudreau，Mathieu 16，Brooks，Teon L. 1，Teon L. 1，Calhoun，Vince D. 17，Castelli，Castelli，Filippo Maria 18,19，Clement，Clement，Patricia 20,21，Cohen，Cohen，Cohen，Cohen，Alexander L.22 23,24，吉尔斯（De Hollander），吉尔斯（De Hollander），25，de la iglesia-vayá，玛丽亚26，de la vega，Alejandro 27，Delorme，Arnaud，28，Devinsky，Orrin 29，Draschkow，Draschkow，Dejan，Dejan 30，Duff，Duff，Eugene Paul 31，Dupre，Dupre，Elizabeth 1，Earlin，Erlin，Erlind 32 Illaume 34，Galassi，Anthony 32，Gallitto，Giuseppe 35,36，Ganz，Melanie 37,38，Gau，Rémi39，Gholam 39，Gholam，James 40，Ghosh，Satrajit S. 41，Giacomel，Giacomel，Giacomel，Alessio，Alessio，Alessio 42 44 , Gramfort, Alexandre 45 , Guay, Samuel 46 , Guidali, Giacomo 47 , Halchenko, Yaroslav O. 48 , Handwerker, Daniel A. 32 , Hardcastle, Nell 1 , Herholz, Peer 49 , Hermes, Dora 50 , Honey, Christopher J. 51 , Innis, Robert B. 32 , Ioanas, Horea-Ioan 48 , Jahn, Andrew 52 , Karakuzu, Agah 16 , Keator, David B. 53,54,55 , Kiar, Gregory 56 , Kincses, Balint 35,36 , Laird, Angela R. 57 , Lau, Jonathan C. 58 , Lazari, Alberto 59 , Legarreta, Jon Haitz 60 , Li, Adam 61 , Li, Xiangrui 62 ，Love，Bradley C. 63，Lu，Hanzhang 64，Marcantoni，Eleonora 65，Maumet，Camille 66，Mazzamuto，Giacomo67，Meisler 67，Meisler，Steven L. 68，Mikkelsen，Mikkelsen，Mark 69 4,75，Niso，Guiomar 76，Norgaard，Martin 32,37，Okell，Thomas W. 59，Oostenveld，Robert 77,78，Ort，Ort，Eduard 79，Park J. 80，Patrick J. 80，Pawlik，Pallik，Pallik，Mateusz，Mateusz 81，Pernet，Pernet，Pernet，Cyril R.38，Pestilli，Pestilli，Pestilli，Petilli，franco，Petr，Petr，Petr，Jan，Jan 272菲利普斯（Phillips），克里斯托夫（Christophe），83，派恩，让·巴蒂斯特（Jean-Baptiste）84，波罗尼尼（Pollonini），卢卡（Luca）85,86，拉马纳（Raamana），普拉德普·雷迪（Pradeep Reddy），里特（Ritter），佩特拉（Ritter），佩特拉（Petra）88,89,90,91,92，里佐（Rizzo） 99，Routier，Alexandre 100，Saborit-Torres，Jose Manuel 26，Salo，Taylor 101，Schirner，Michael 88,89,90,91,92，Smith，Smith，Robert E. 102,103，Spisak，Spisak，Spisak，Spisak，Tamas，Tamas 35,104，Sprenger，Sprenger，Julia，Julia 105，Swann，Swann，Swann，Swann，Nicole C. C. C. Nicole C. 106 , Szinte, Martin 105 , Takerkart, Sylvain 105 , Thirion, Bertrand 45 , Thomas, Adam G. 32 , Torabian, Sajjad 107 , Varoquaux, Gael 108 , Voytek, Bradley 109 , Welzel, Julius 110 , Wilson, Martin 111 , Yarkoni, Tal 112 , Gorgolewski, Krzysztof J. 1
DeepFLASH：基于学习的医学图像配准高效网络
本文介绍了 DeepFLASH，一种用于基于学习的医学图像配准的高效训练和推理的新型网络。与从高维成像空间中的训练数据中学习空间变换的现有方法相比，我们完全在低维带限空间中开发了一种新的配准网络。这大大降低了昂贵的训练和推理的计算成本和内存占用。为了实现这一目标，我们首先引入复值运算和神经架构表示，为基于学习的配准模型提供关键组件。然后，我们构建了一个在带限空间中完全表征的变换场的显式损失函数，并且参数化要少得多。实验结果表明，我们的方法比最先进的基于深度学习的图像配准方法快得多，同时产生同样精确的对齐。我们在两种不同的图像配准应用中展示了我们的算法：2D 合成数据和 3D 真实脑磁共振 (MR) 图像。我们的代码可以在https://github.com/jw4hv/deepflash上找到。
用于肿瘤成像的叶酸受体靶向 PET 放射性药物的开发——从实验室到临床的历程
摘要：叶酸受体-α（FR-α）在许多上皮癌中过度表达，包括卵巢癌、子宫癌、肾癌、乳腺癌、肺癌、结肠癌和前列腺癌，但在肾脏、唾液腺、脉络丛和胎盘等正常组织中表达有限。因此，FR-α已成为向FR阳性肿瘤输送治疗剂和成像剂的有希望的靶点。已经开发了一系列基于叶酸的PET（正电子发射断层扫描）放射性药物，用于选择性靶向FR阳性恶性肿瘤。本综述概述了迄今为止关于叶酸衍生的PET放射性结合物的设计、放射合成和用于靶向FR阳性肿瘤的效用的研究进展。本文主要介绍了用氟-18（t 1 / 2 = 109.8 分钟）和镓-68（t 1 / 2 = 67.7 分钟）标记的叶酸放射性结合物的结果，但也讨论了用“外来”和新 PET 放射性核素标记的叶酸，例如铜-64（t 1 / 2 = 12.7 小时）、铽-152（t 1 / 2 = 17.5 小时）、钪-44（t 1 / 2 = 3.97 小时）、钴-55（t 1 / 2 = 17.5 小时）和锆-89（t 1 / 2 = 78.4 小时）。对于肿瘤成像，迄今为止报道的 PET 放射性标记叶酸中，除了 [ 18 F]AzaFol 之外，没有一种完成了从实验室到临床的旅程，该药物在一项多中心首次人体试验中成功用于转移性卵巢癌和肺癌患者。然而，在不久的将来，我们预计会有更多基于叶酸的 PET 放射性药物的临床试验，因为临床对成像和 FR 相关恶性肿瘤的治疗越来越感兴趣。
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
MR图像超级分辨率与挤压和激发推理注意力网络
高质量的高分辨率（HR）磁共振（MR）图像提供了更详细的信息，可用于可靠的诊断和定量图像分析。深度综合神经网络（CNN）显示出低分辨率（LR）MR图像的MR图像超分辨率（SR）的有希望的Abil。LR MR图像通常具有一些vi-Sual特征：重复模式，相对简单的结构和信息较少的背景。大多数以前的基于CNN的SR方法同样处理空间像素（包括背景）。他们也无法感知输入的整个空间，这对于高质量的MR IMPIMSR至关重要。为了解决这些问题，我们提出了挤压和激发推理注意网络（SERAN），以获得MR Image SR。我们建议从输入的全球空间信息中挤出注意力，并获得全球描述符。这样的全球描述符增强了网络专注于MR图像中更具信息区域和结构的能力。我们在这些全球描述符之间进一步建立了关系，并提出了引起关注的原始关系。全球描述符将以学习的关注进一步确定。为了充分利用汇总信息，我们通过学习的自适应注意向量自适应地重新校准了特征响应。这些注意向量选择一个全局描述符的子集，以补充每个空间位置以进行准确的细节和纹理重新分解。我们通过残留的缩放提出挤压和激发注意力，这不仅可以稳定训练，而且还使其对其他基本网络的灵感变得非常灵活。广泛的例证显示了我们提出的Seran的有效性，该塞伦在定量和视觉上清楚地超过了基准标记的最新方法。
一种线性可扩展的多伪影去除方法，用于改进基于上肢脑电图的运动想象解码 Mojisola Grace Asogbon 1,2 , Oluwa
图 1：使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意：A= 耳垂，C = 中央，Pg = 鼻咽，P = 顶叶，F = 额叶，Fp = 额极和 O = 枕叶。
大脑图像合成，无监督的多元规范CSCL4NET
神经科学的最新进展强调了多模式医学数据在研究某些病理和了解人类认知方面的有效性。但是，获得一组不同的模态的完整集受到各种因素的限制，例如长期获取时间，高检查成本和伪影抑制。此外，神经影像数据的复杂性，高维度和异源性仍然是有效地利用现有随机扫描的另一个关键挑战，因为不同机器通常对相同方式的数据进行了不同的测量。显然需要超越传统成像依赖性过程，并从源中综合解剖学特定的目标模式数据。在本文中，我们建议学习使用新型CSCℓ4NET跨内部和模式内变化的专用特征。通过特征图和多元典范适应性中的模态数据的初始统一，CSCℓ4净4净促进了特征级别的相互转换。正定的riemannian歧管 - 惩罚数据限制项进一步使CSCℓ4NET可以根据变换的特征重新构建缺失测量值。最后，最大化ℓ4 -norm沸腾到计算上有效的优化问题。具有较大的实验可以验证我们的CSCℓ4NET的能力和鲁棒性与Multiple数据集中的最新方法相比。
创伤性的计算机断层扫描成像评估...
背景：计算机断层扫描 (CT) 仍然是创伤性脑损伤 (TBI) 成像评估的金标准。TBI 本身因其不良影响已成为发展中国家的主要问题。目的：目的是评估患有 TBI 的患者的颅脑计算机断层扫描图像。材料和方法：对 2013 年 11 月 13 日至 2019 年 5 月 31 日期间在尼日利亚乌约大学教学医院因头部受伤而接受颅脑 CT 检查的患者进行了回顾性研究。持续时间与服务中断的不连贯时间无关。应用简单的数据分析评估了患者的人口统计学和 CT 特征。结果：评估了 232 名患者，最小年龄为 6 个月，最大年龄为 78 岁。男性患者占多数，比例为 2.74:1。受影响最大的年龄段为 30-39 岁（23.27%）和 20-29 岁（22.84%）。44 名患者（18.97%）的脑 CT 正常。CT 异常患者中最常见的病变是颅内出血（n = 188，81.03%）。其中，脑外出血（n = 100，53.19%）超过脑内出血（n = 88，46.81%）。一半的脑内出血是多发性的。34.48%（n = 80）的患者出现颅骨骨折。最常见的部位是面骨（n = 24，30.00%），而最少见的部位是枕骨（n = 4，5.00%）。15% 的患者有多处骨折，其中还包括颅底。结论：TBI 在年轻活跃男性中很常见。最常见的病变是伴有外轴偏向的颅内出血。
LandCover.ai：用于建筑物自动测绘的数据集……
土地覆盖和土地利用的监测和评估在自然资源管理中至关重要。遥感数据和图像处理技术已广泛应用于城市和农村地区的土地描述和变化检测。关于土地利用或土地覆盖的详细信息是各个领域的宝贵信息来源，例如城市规划[30,43]、变化检测[17]、植被监测[2]，甚至军事侦察。土地覆盖变化是环境变化[38,37]、森林覆盖动态[32]和退化[21]的指标，也是生物多样性监测的方法之一[31]。此类数据可用于研究景观中发生的过程，例如各种土地覆盖之间的流动 [ 16 ]，从而可以研究城市化、森林砍伐、农业强度和其他人为变化的速度。