XiaoMi-AI文件搜索系统
World File Search SystemImages
预测痴呆症和帕金森氏病相关的皮质下区域中的脑铁沉积：英国生物库中的遗传和观察分析
Artificial Intelligence Applied to Electrocardiographic Images for Scalable Screening of Transthyretin Amyloid Cardiomyopathy Veer Sangha BS 1,2 , Evangelos K Oikonomou MD, DPhil 1 , Rohan Khera MD, MS 1,3,4,5 1 Section of Cardiovascular Medicine, Department of Internal Medicine, Yale School of Medicine, New Haven, CT, USA 2 Department of Engineering Science,牛津大学，牛津大学，英国牛津大学3号健康信息学部，耶鲁大学公共卫生学院，纽黑文，CT 4生物医学信息学和数据科学部。智能，心电图，经甲状腺素蛋白淀粉样蛋白心肌病，机器学习，卫生技术通讯：Rohan Khera，MD，MS 195 Church Street，Church Street，6楼6楼，纽黑文，CT 06510 Rohan.khera.khera@khera@yale.edu.edu
现实主义中的现实主义：使用Yolov8和Deit
在医学领域，由于患者人群中肿瘤的稀有性，对图像的可靠检测和分类仍然是巨大的挑战。在异常情况下检测肿瘤病例的能力对于确保及时干预和改善患者预后至关重要。这项研究通过利用深度学习（DL）技术来检测和分类具有挑战性的情况下的脑肿瘤来解决这一挑战。本研究采用深度学习（DL）技术来应对这一挑战，利用来自国家脑图实验室（NBML）的数据集，其中包括约81例患者，其中包括30例患者，其中包括30例肿瘤病例和51例正常情况。我们的方法包括两个阶段：检测和分类。在第一阶段，广泛的数据预处理模拟现实世界的条件，调整数据集以反映每种1例肿瘤病例的9例正常情况的异常分布。接下来，对Yolov8n模型进行了微调以检测肿瘤区域。为了评估该模型在患者水平上的表现，我们引入了患者对患者（PTP）度量，该指标评估了在整个人群中识别肿瘤病例的能力，而不是测量单个切片的性能。这种方法提供了模型可靠性更临床相关的评估。该模型的F1得分为0.98，PTP-F1得分为1.0，正确分类了测试人群中的所有患者。在分类阶段，数据有效的图像变压器（DEIT）用于从RESNET152教师模型中提取视觉变压器（VIT）模型。DEIT被选为其在小数据集上有效训练的能力。蒸馏分类器在20个时期后达到0.92，而RESNET152模型达到0.97，尽管计算成本较高，但达到了0.97。这项研究表明，在具有挑战性的情况下对脑肿瘤的可靠检测和分类方面有了显着的进步，从而提供了实用应用的潜力。
CSC 2541：图像的生成AI
（例如，CSC 413/2516）•对神经网和CNN的坚实熟悉•线性代数的固体背景•多元计算和概率•差分方程将有用•编程技能（例如，Tensorflow或Pytorch，如果
使用MEL Spectrogram图像和合奏建模
如今，许多可怕的疾病是由蚊子以及其他类型的感染引起的。蚊子也被称为无声喂食器。由于这种能力，蚊子会利用增加其传播疾病的能力。许多威胁生命的疾病，例如疟疾，登革热，寨卡病毒，黄热病和基孔肯雅亚是由这些蚊子引起的。这些疾病是由病毒，寄生虫和细菌病原体通过各种载体（例如埃及伊蚊）和库勒克斯（Culex）引起的。由于全球案件的迅速增加，因此有必要部署智能机器自动化模型来减少感染的传播。本研究中使用的方法检测到负责传播这些疾病的不同类型的蚊子。控制感染传播的关键是根据其翅膀的拍子检测蚊子的类型。本研究中使用了与不同来源收集的与蚊子翼节相关的声音录音。这些录音是根据蚊子物种通过最大合并和卷积模型来划分的。整个工作在三个部分下进行了框架：识别记录的声音音频文件以获取MEL频谱图像，使用合并和卷积方法提取特征，并使用合奏方法使用分类器，例如随机森林，支持向量机（SVM）和决策树来识别蚊子类型。频率波用于在预处理阶段将音频记录转换为频谱图。频谱图滤波器用于消除频谱图像中的噪声。使用合并和卷积方法获得矢量值。然后将本工作中使用的分类器中的值馈入集合方法，以根据其机翼节拍识别蚊子类型。基于最终结果和观察结果，SVM分类器的精度最高，与其他分类器相比，伊迪斯型白emopictus型为95.05％。
使用 HyperGraphs 的 FDG-PET 图像增强抑郁症诊断
摘要 — 本研究探讨了图神经网络 (GNN) 和超图在使用氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 图像改善抑郁症诊断的潜力。我们使用核密度估计和动态时间规整从单个静态 FDG-PET 图像构建图形和超图表示。在本地精神病数据集上使用各种 GNN 分类器（包括图卷积网络 (GCN) 和图同构网络 (GIN)）评估这些表示。我们的实验表明，与成对图相比，GNN（尤其是 GCN）在超图上的性能更优越。我们强调了基于超图的表示在捕捉与抑郁症相关的复杂模式方面的整体功效。此外，我们对超图表示的探索为提高诊断准确性提供了有希望的途径，特别是在捕捉复杂的大脑连接模式方面。这项研究为 GNN 有助于使用 FDG-PET 图像更好地诊断精神疾病提供了证据，为个性化治疗策略和跨不同临床环境的诊断进步提供了见解。索引词 — 抑郁症、FDG-PET、KDE、DTW、图、超图、图神经网络、GIN、GCN。
与...
摘要：生成对抗网络（GAN）已转换了图像合成的领域，尤其是在引入条件gan（CGAN）（CGAN）的引入中，通过在整个生成过程中整合额外信息，从而允许更自定义的方法。模糊图像的存在可能会对图像质量产生不利影响，并可能阻碍随后的图像处理活动。为了对抗图像模糊，我们引入了一种新型的单像模糊去除技术，该技术依赖于条件生成的对抗网络（CGAN）。在这种方法中，CGAN充当基本框架，将模糊的图像作为补充条件数据并实施Lipschitz的约束。通过有条件的对抗损失，内容损失和感知损失的组合来培训网络体系结构，以纠正模糊区域并重建图像。通过实验评估，很明显，所提出的方法在删除模糊方面优于现有算法，在保持图像清晰度的同时有效地减少了模糊性。
DDASR：域距离自适应超分辨率重建 MR 脑图像
摘要 — 临床环境对高细节和快速磁共振成像 (MRI) 序列的需求很高，因为成像信息不足会导致诊断困难。MR 图像超分辨率 (SR) 是一种很有前途的解决此问题的方法，但由于获取成对的低分辨率和高分辨率 (LR 和 HR) 图像的实际困难，其性能受到限制。大多数现有方法通过下采样 HR 图像来生成这些对，这个过程通常无法捕获复杂的退化和特定于域的变化。在本研究中，我们提出了一个域距离自适应 SR 框架 (DDASR)，其中包括两个阶段：域距离自适应下采样网络 (DSN) 和基于 GAN 的超分辨率网络 (SRN)。DSN 在下采样过程中结合了未配对 LR 图像的特征，从而能够生成域自适应的 LR 图像。此外，我们提出了一种具有增强注意力 U-Net 和多层感知损失的新型 GAN。所提出的方法产生了视觉上令人信服的纹理，并成功恢复了来自 ADNI1 数据集的过时 MRI 数据，在感知和定量评估中均优于最先进的 SR 方法。代码可在 https://github.com/Yaolab-fantastic/DDASR 上找到。
DDASR：域距离自适应的 MR 脑图像超分辨率重建
摘要 — 临床环境对高细节和快速的磁共振成像 (MRI) 序列有很高的要求，因为成像信息不足会导致诊断困难。MR 图像超分辨率 (SR) 是解决此问题的一种有前途的方法，但由于获取成对的低分辨率和高分辨率 (LR 和 HR) 图像的实际困难，其性能受到限制。大多数现有方法通过下采样 HR 图像来生成这些对，而这个过程通常无法捕捉到复杂的退化和特定于域的变化。在本研究中，我们提出了一个域距离自适应 SR 框架 (DDASR)，其中包括两个阶段：域距离自适应下采样网络 (DSN) 和基于 GAN 的超分辨率网络 (SRN)。DSN 在下采样过程中结合了未配对 LR 图像的特征，从而能够生成域自适应的 LR 图像。此外，我们提出了一种具有增强注意力 U-Net 和多层感知损失的新型 GAN。所提出的方法可产生视觉上令人信服的纹理，并成功恢复 ADNI1 数据集中过时的 MRI 数据，在感知和定量评估方面均优于最先进的 SR 方法。代码可在 https://github.com/Yaolab-fantastic/DDASR 上找到。
基于深度 CNN 的脑部 MRI 图像分类用于阿尔茨海默病诊断
摘要：阿尔茨海默病是全球痴呆症的主要病因，影响着数百万人，他们的日常活动、交流甚至人脸识别能力逐渐受损。虽然狼疮的病因尚不完全清楚，但它可能反映了生活方式的选择和环境因素以及遗传倾向。诊断这些疾病的最大障碍是它们通常早期表现不明显，而且缺乏灵敏的检测范例。深度学习算法在几年前首次出现在医学成像的前沿，并被誉为复杂的诊断辅助工具，能够在扫描中发现通常隐藏在人眼中的细微迹象。我们受益于使用这些最先进的算法来改善阿尔茨海默病的检测，其中当今最大的 MRI 数据集之一（超过 86,000 张图像）被用于训练我们的模型。鉴于这个庞大的数据集，它被明显地结合成一个以准确为中心的诊断工具。我们的新型深度学习模型性能强大，并提供了最先进的验证准确率（99.63%），超越了现有模型。这些数据凸显了我们的模型作为检测早期阿尔茨海默病的可验证方法的巨大前景——阿尔茨海默病是控制和管理疾病进展的一个重要问题。通过采用尖端的深度学习技术，我们的研究确实是阿尔茨海默病诊断领域的一大进步。早期诊断可以更好地治疗并减轻疾病负担，从而可以预防发病率、死亡率，甚至改变许多患者的治疗结果。这是在人工智能的帮助下诊断阿尔茨海默病的一大进步，并有望更准确、更及时地发现。