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。
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。
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。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
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。
Aamri筹款和慈善网络活动2024
重新架设高架，首席增长官，NTEGRAME HEVRAME MASTHEAD MASTERCLASS将对DOS和不开始重新构建间接费用的DOS和不深入了解。从与批评者打交道到了解捐助者对间接费用的实际看法，这是一个实用的研讨会，可带您进行研究，以帮助您塑造组织如何构成间接费用。12.05pm简介 - 集思广益活动：由DGB Global合作伙伴Peter Dalton促进的医学研究合作资金将促进我们的第二天来自澳大利亚医学研究机构的参与者，以探索和确定可以增强对整个部门的慈善支持的协作机会。12.20pm午餐休息1.00pm延续 - 集思广益活动2.55pm活动总结 - Aamri Dr Saraid Billiards，Aamri首席执行官Aamri 3.00pm下午3.15点下午3.15pm MCRI网站旅行4.00pm活动关闭
探索基于深度学习的大脑MRI-TO-CT合成中的对比度概括
背景：已提出合成计算机断层扫描（SCT），并越来越多地采用以实现基于磁共振成像（MRI）的放射疗法。深度学习（DL）最近证明了从固定MRI采集中生成准确的SCT的能力。但是，由于模型概括不良，MRI方案可能会随着时间的推移而随着时间的流逝而变化或不同。目的：研究域随机化（DR）以增加脑SCT生成DL模型的概括。方法：收集了95例接受RT患者的CT和相应的T 1加权MRI，带有 /无对比度，T 2加权和FLAIR MRI，考虑到可以研究概括的未见序列的能力。“基线”生成对抗网络进行了 /没有天赋序列的训练，以测试模型在没有DR的情况下的性能。基于SCT的剂量计划的图像相似性和准确性对CT进行了评估，以选择针对基线的表现最佳的DR方法。结果：基线模型在FLAIR上的性能最差，平均绝对误差（MAE）= 106±20.7 HU（平均值±σ）。在MAE = 99.0±14.9 HU的DR模型中，Flair上的性能显着提高，但仍然不如基线 + Flair模型的性能（MAE = 72.6±10.1 HU）。同样，对于DR VS基线，获得了γ速率的提高。结论：DR提高了仅在获得的MRI上训练的未见序列上的图像相似性和剂量准确性。DR使模型更加稳健，从而减少了在未见序列上应用模型时重新训练的需求，并且无法进行重新训练。
disgan：信息信息的歧视器将GAN引导到MRI超分辨率，并清洁噪声
MRI超级分辨率（SR）和Denoising任务是深度学习领域的挑战，传统上被视为具有分隔的配对培训数据的不同任务。在本文中，我们提出了一种创新的方法，该方法使用单个深度学习模型同时解决这两个任务，从而消除了在培训期间对明确配对嘈杂和干净的图像的需求。我们提出的模型主要是针对SR训练的，但在超级分辨图像中也表现出显着的噪声清洁功能。而不是将与频率相关操作引入常规过程的常规方法，我们的新方法涉及使用以频率信息歧视器为指导的GAN模型。为了实现这一目标，我们利用3D离散小波变换（DWT）操作的功率作为GAN框架内的频率结合，用于磁共振成像（MRI）数据的SR任务。特别是我们的分配包括：1）基于残差 - 残基连接块的3D发电机； 2）将3D DWT与1×1卷积的3D DWT集成到3D UNET内的DWT+CORV单元中； 3）训练有素的模型用于高质量的图像SR，并伴随着Intrinsic denoising过程。我们将模型“ deno诱导的超分辨率gan（disgan）”配音，原因是其对SR图像产生和同时降解的双重影响。与传统的培训SR和Deno Task作为单独模型的传统方法背道而驰，我们提出的disgan仅受到SR任务的培训，但在DeNoising方面也取得了出色的表现。我们的代码可用 -该模型经过了来自人类连接组项目（HCP）的数十个受试者的3D MRI数据的培训，并对先前看不见的MRI数据进行了进一步评估，这些MRI数据来自患有脑肿瘤和癫痫的受试者，以评估其denosis和SR性能。
重新思考多对比度MRI超分辨率：矩形...
最近，几种方法探索了多对比磁共振成像（MRI）超分辨率（SR）的潜力，并获得了优于单对比SR方法的结果。但是，现有方法仍然存在两个缺点：（1）它们只能解决固定的Inter Intermpling量表，例如2×，3×和4倍，它们需要培训并存储临床上每个UPSMPLAING SCALE的相应模型。（2）他们在采用方形窗口（例如8×8）变形金刚网络档案时缺乏直接交互，这导致长范围依赖性的建模不足。此外，参考图像和目标图像之间的关系尚未完全挖掘。为了解决这些问题，我们开发了一个新颖的网络，用于多对比度MRI任意规模的SR，被称为McASSR。具体来说，我们设计了矩形窗口交叉注意变压器，以在MR图像中建立长期依赖性，而无需增加计算复杂性并完全使用参考信息。此外，我们提出了参考吸引的隐式关注，作为提升的模式，通过隐式神经表示实现了任意规模的超分辨率，进一步融合了参考图像的补充信息。在公共和临床数据集上进行了广泛而全面的实验表明，我们的MCASSR比SOTA方法产生了卓越的性能，这表明其在临床实践中的巨大潜力。代码将在https：//github.com/guangyuankk/mcassr上找到。