XiaoMi-AI文件搜索系统
World File Search SystemMRI
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。
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
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。
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。
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。
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。
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。
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。