XiaoMi-AI文件搜索系统
World File Search SystemMRI
脊髓定量MRI的通用采集方案
定量脊髓（SC）磁共振成像（MRI）充满挑战，其中缺乏标准化成像方案。在这里，我们提出了一项前瞻性统一的定量MRI协议，我们将其称为脊柱通用协议，用于三个主要的3T MRI供应商：GE，Philips和Siemens。该协议提供了评估SC宏结构和微观结构完整性的有价值的指标：用于SC横截面区域（CSA）计算的T1加权和T2加权成像，用于灰质CSA的多回波梯度回声，以及用于评估白色物质微量结构的磁化化转移和扩散加权成像。脊柱通用方案用于在260名健康受试者的42个中心中获取数据，如伴侣论文[Ref-Data]中所述。脊柱通用协议是开放式访问，其最新版本可以在以下网址找到：https：//spinalcordmri.org/protocols。该协议将成为实施新的SC成像计划的研究人员和临床医生的宝贵起点。
重新思考多重对比 MRI 超级扩散模型...
最近，扩散模型 (DM) 已应用于磁共振成像 (MRI) 超分辨率 (SR) 重建，并表现出令人印象深刻的性能，尤其是在细节重建方面。然而，当前基于 DM 的 SR 重建方法仍然面临以下问题：（1）它们需要大量迭代来重建最终图像，效率低下且消耗大量计算资源。（2）这些方法重建的结果通常与真实的高分辨率图像不一致，导致重建的 MRI 图像出现明显失真。为了解决上述问题，我们提出了一种用于多对比 MRI SR 的有效扩散模型，称为 DiffMSR。具体而言，我们在高度紧凑的低维潜在空间中应用 DM 来生成具有高频细节信息的先验知识。高度紧凑的潜在空间确保 DM 只需要几次简单的迭代即可产生准确的先验知识。此外，我们设计了 Prior-Guide Large Window Transformer (PLWformer) 作为 DM 的解码器，它可以扩展感受野，同时充分利用 DM 产生的先验知识，以确保重建的 MR 图像保持不失真。在公共和临床数据集上进行的大量实验表明，我们的 DiffMSR 1 优于最先进的方法。
您的MRI问题回答了！
这是一个棘手的问题，因为我们以不同的方式感到和体验事物。一些有MRI扫描的孩子说这很有趣，因为您可以看镜子并见到父母。当您躺下并且床开始上升时，这也可能会令人兴奋。其他孩子说，一开始可能会有些恐惧，但是当您在扫描仪中时，感觉还不错，而且很放松。大多数孩子说，躺在床上和听音乐是最好的部分！当您在上方看时，就像看着白屏一样，它使您入睡。，如果您想摆脱扫描，可以按一下蜂鸣器，医生将停止扫描。
Tri-VAE：用于脑肿瘤 MRI 无监督异常检测的三重变分自动编码器
由于带注释的样本稀缺，病理性脑损伤在图像数据中的复杂表现对监督检测方法提出了挑战。为了克服这个困难，我们将重点转移到无监督异常检测。在这项工作中，我们专门使用健康数据训练所提出的模型，以识别测试期间未见的异常。这项研究需要调查基于三元组的变分自动编码器，以同时学习健康脑数据的分布和去噪能力。重要的是，我们纠正了先前基于投影的方法中固有的一个误解，该误解依赖于这样的假设：图像内的健康区域在重建输出中将保持不变。这无意中暗示了病变图像和无病变图像在潜在空间表示上存在相当大的相似性。然而，这种假设可能并不成立，特别是由于病变区域强度对投影过程的潜在重大影响，特别是对于具有单一信息瓶颈的自动编码器。为了克服这个限制，我们将度量学习与潜在采样分离。这种方法确保病变和无病变输入图像都投影到相同的分布中，特别是无病变投影。此外，我们引入了一个语义引导的门控交叉跳过模块来增强空间细节检索，同时抑制异常，利用解码器更深层中存在的健壮健康大脑表示语义。我们还发现，将结构相似性指数测量作为额外的训练目标可以增强所提模型的异常检测能力。
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。
MRI DBIC 清洁和消毒指南
DBIC - 第 1A 阶段概述：以下指南基于 EHS 为实验室和研究机构提供的信息，旨在帮助确定和实施经批准的工作区域和设备 COVID-19 消毒方法。根据 CDC 指南，达特茅斯脑成像中心 (DBIC) 的研究人员至少应在扫描仪套件中每次扫描开始和结束时执行消毒方案，但不少于每两小时一次。扫描套件内所需的清洁和消毒是研究人员的责任，应按照 CDC 建议执行，如下所述。工作班次期间可能被多人接触的设备和表面必须每两小时消毒一次。高接触位置和设备：以下是 DBIC 中需要消毒的、处理和接触频率高的位置和设备。 o 台面、扫描仪控制台 o 门把手、橱柜把手 o 扫描仪龙门架上的扫描仪台控件 o 内部和外部线圈、电缆、按钮盒、紧急挤压球 o 幻影 o 灯开关和面板 o 电话、计算机键盘和计算机鼠标 o 控制台区域和受试者等候区的椅子扶手 o 更衣室的门把手、灯开关和抽屉 o 钢笔、记号笔、铅笔、订书机、胶带分配器 o 复印机控件 o 清洁产品容器 o 系统开/关按钮 o MRI 对讲系统 o MRI 套件的门铃 批准的消毒剂： DBIC 将提供经 EPA 认证可有效对抗 COVID-19 冠状病毒的消毒剂。 Terry Sackett 和 Courtney Rogers 将负责验证消毒剂是否在 EPA 注册清单上。
口语大脑：言语，韵律和语法的fMRI实验概论
在这项研究中，我们将概述近年来我们所做的有关语言和语音生产的神经解剖学相关性的实验工作。首先，我们将介绍与事件相关的功能磁神经成像和我们使用的实验范式的方法。然后，我们将介绍并讨论有关（1）语音运动控制，（2）发音复杂性，（3）韵律的神经解剖学相关性的实验结果，以及（4）义大利处理的神经认知底物。实验（1）和（2）表明，由SMA，运动皮层和小脑组成的预期大型运动语音网络仅在计划和执行简单的关节运动方面活跃。提高的关节复杂性会导致更集中的激活。此外，我们可以证明，只有语音运动的执行才能招募左前岛，而发音计划则没有。实验结果（3）的结果表明，控制韵律处理的横向化不是韵律（语言与情感）的功能，而是处理单元的更一般特征，例如韵律框架的大小，造成了不同皮质区域的激活。最后，在实验（4）中，我们提出了语音生产中句法处理的第一个结果。除了预期的Broca区域激活外，我们还发现了Wernicke地区和小脑中的激活。我们还找到了其他皮质区域激活的证据，这些证据少于脑力相关性的临床研究。这些领域和网络的认知相关性仍有待阐明。Q 2001 Elsevier Science Ltd.保留所有权利。Q 2001 Elsevier Science Ltd.保留所有权利。
大脑和大型fMRI数据中功能性脑网络的层次结构建模
大规模脑成像数据集的一个主要目标是提供用于研究异质弹出的资源。从这些数据集中为各个受试者提供功能性脑网络的表征将具有预测认知或临床特征的巨大潜力。我们第一次提出了一种技术，即概率的功能模式（sprofumo），该技术可扩展到英国生物库（UKB），有预期的100,000名参与者，并且在个人和人群中层次估算了层次的功能性脑网络，同时对两种信息之间的双向流量进行了影响。使用仿真，我们显示了模型的效用，尤其是在涉及显着的跨主题可变性的情况下，或者需要在网络之间划定细粒度的差异。随后，通过将模型应用于4999名UKB受试者的静止状态fMRI，我们将静止状态网络（RSN）绘制为单个受试者，其详细范围比以前在UKB（> 100 rsns）中可能绘制了，并证明这些RSN可以预测somecorimotor andsocorimotor and somecorimotor and Emperife and Elighe colesions and Level Consoge。此外，我们证明了该模型的几个优点，而不是独立的组件分析与双重回归（ICA-DR）相结合，尤其是在估计RSN的空间配置和认知性状的预测能力方面。所提出的模型和结果可以为将来从大数据中对个性化的脑功能纤维进行调查打开新的门。
Dempster-Shafer 可信 AI 方法及其在胎儿脑部 MRI 分割中的应用
摘要 — 对于病理病例和在不同中心获取的图像（而不是训练图像），用于医学图像分割的深度学习模型可能会意外且严重地失败，其标记错误违反了专家知识。此类错误破坏了用于医学图像分割的深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术转化为临床应用至关重要，并且很可能成为未来人工智能 (AI) 法规的要求。在这项工作中，我们提出了一个值得信赖的 AI 理论框架和一个实用系统，该系统可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干 AI 系统。我们的方法依赖于可操作的可信 AI 定义。我们的方法会自动丢弃由骨干 AI 预测的违反专家知识的体素级标记，并依赖于这些体素的回退。我们在最大的已报告胎儿 MRI 注释数据集上证明了所提出的可信 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。我们值得信赖的 AI 方法提高了四个骨干 AI 模型的稳健性，这些模型适用于在不同中心获取的胎儿脑部 MRI 以及患有各种脑部异常的胎儿。我们的代码可在此处公开获取。
开放访问一系列成像研究（OASIS）：年轻，中年，非痴呆和痴呆的老年人的横截面MRI数据
开放式成像研究（OASIS）是一个旨在使大脑的磁共振成像（MRI）数据集的大脑数据集，可自由使用科学界。通过编译和自由分发MRI数据集，我们希望促进基本和临床神经科学中的未来发现。具体来说，OASIS项目旨在扮演许多角色。首先，绿洲图像和相关措施是持续科学探索的数据集。从整个成人寿命中从有或没有痴呆症的400多个个人获得的一组图像开始，选择了绿洲数据集，以鼓励对高兴趣主题进行研究，并提供对个别实验室难以获取的数据。第二，OASIS数据是研究人员创建和推动分析技术的目标。由于图像是从多个年龄和健康状况的受试者中获取的，因此绿洲数据可用于测试人类大脑各种景观各个范围内技术的鲁棒性和有效性。第三，绿洲数据可以用作相似分析技术的基准目标。标准图像证明了证明和对比方法的共同参考点。通过仔细筛选