XiaoMi-AI文件搜索系统
World File Search SystemMRI
从不完整心脏MRI的标准12铅ECG电极位置的个性化拓扑信息定位，可有效心脏数字双胞胎
心脏数字双胞胎（CDTS）of er个性化的内部心脏表示，以推断与心脏机制相关的多尺度特性。CDT的创建需要有关躯干上电极位置的精确信息，特别是对于个性化心电图（ECG）校准。然而，当前的研究通常依赖于对ECG电极定位的躯干成像和手动 /半自动方法的额外获取。在这项研究中，我们提出了一种新颖和E FFI Cient拓扑知识模型，以完全自动从2D临床标准心脏MRIS中提取个性化的ECG标准电极。具体来说，我们从心脏MRI中获得稀疏的躯干轮廓，然后从轮廓中定位12铅ECG的标准电极。心脏MRI旨在成像心脏而不是躯干，从而导致成像中不完整的躯干几何形状。为了解决错过的拓扑结构，我们将电极合并为关键点的子集，可以将其与3D躯干拓扑明确对齐。实验结果表明，所提出的模型优于耗时的常规模型投影方法（Euclidean距离：1。24±0。293厘米与1。48±0。362 cm）和E FFI效率（2 S vs. 30-35分钟）。我们进一步证明了使用检测到的电极进行硅内ECG模拟的e FF具有效果，从而突出了它们创建准确和E ffi cient CDT模型的潜力。该代码可在https://github.com/lileitech/12Lead_ecg_electrode_localizer上获得。©2025 Elsevier B. V.保留所有权利。
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。
利用手工制作的放射素学对多中心智能MRI预测多发性硬化症患者的残疾进展
（1）比利时迪彭贝克（Diepenbeek）3590的Hasselt University的生物医学研究所MS中心（生物医学研究所）。（2）Hasselt University，Agoralaan大楼D数据科学研究所（DSI），3590，Diepenbeek，比利时。 （3）D -LAB，荷兰马斯特里赫特大学马斯特里赫特大学的肿瘤学研究所精密医学系D -LAB。 （4）荷兰马斯特里赫特大学医学中心的肿瘤学和发育生物学研究所放射学和核成像系，荷兰马斯特里奇。 （5）比利时安特卫普大学安特卫普大学IMEC-Vision Lab。 （6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。 （7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。 （8）比利时Ku Leuven的Esat-Stadius。 （9）noorderhart，康复和比利时Pelt MS中心。 （10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。 （11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。 *=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）（2）Hasselt University，Agoralaan大楼D数据科学研究所（DSI），3590，Diepenbeek，比利时。（3）D -LAB，荷兰马斯特里赫特大学马斯特里赫特大学的肿瘤学研究所精密医学系D -LAB。（4）荷兰马斯特里赫特大学医学中心的肿瘤学和发育生物学研究所放射学和核成像系，荷兰马斯特里奇。（5）比利时安特卫普大学安特卫普大学IMEC-Vision Lab。（6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。 （7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。 （8）比利时Ku Leuven的Esat-Stadius。 （9）noorderhart，康复和比利时Pelt MS中心。 （10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。 （11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。 *=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）（6）𝜇神经研究中心，比利时安特卫普大学，安特卫普大学。（7）Sumo Group，idlab，根特大学-IMEC，根特，比利时。（8）比利时Ku Leuven的Esat-Stadius。（9）noorderhart，康复和比利时Pelt MS中心。（10）荷兰Sittard-Geleen Zuyderland Medical Center神经病学系学术中心Zuyd。（11）荷兰马斯特里赫特马斯特里赫特大学的心理健康与神经科学学院。*=这些作者对这项工作同样贡献了对应作者= Philippe Lambin（philippe.lambin@maastrichtuniverity.nl）
使用fmri prompered llm
摘要 - 从大脑信号中解码语言信息代表了脑部计算机之间的重要研究领域，尤其是在解密fMRI信号的语义信息的背景下。尽管现有工作使用LLM来实现此目标，但他们的方法并未使用端到端方法，并且避免了fMRI到文本的映射中的LLM，为探索LLM在听觉解码中留下了空间。在本文中，我们引入了一种新颖的方法，即大脑提示GPT（BP-GPT）。通过使用从fMRI提取的大脑表示，我们的方法可以利用GPT-2将fMRI信号解码为刺激文本。此外，我们介绍了文本提示，并将fMRI提示对齐。通过引入文本提示，我们的BP-GPT可以提取更强大的大脑提示，并促进预训练的LLM的解码。我们在开源的听觉语义解码数据集上评估了BP-GPT，与现有方法相比，所有受试者的流星的显着提高了流星的4.61％，而BERTSCORE的BERTSCORE则获得了2.43％。实验结果表明，将大脑表示作为进一步驱动听觉神经解码的LLM的提示是可行有效的。该代码可在https://github.com/1994cxy/bp-gpt上获得。索引术语 - 神经解码，大语言模型，fMRI，脑部计算机界面。
评估基于MRI的机器学习方法用于临床数据仓库中痴呆症的计算机辅助诊断
索邦大学，脑研究所 - 帕里斯 - 巴黎脑研究所 - ICM，CNRS，Inria，Inserm，inserm，ap-hp，piti´e-salpical医院，巴黎，75013，法国B ap-ap-HP，巴黎，巴黎，巴黎，75012，75012，法国C IM2A，法国C IM2A，PITI，PITI，PITI，PITI，AP-HP，PITI，PITI，PITI，PITI，PITI，AP-HP， 75013，法国D AP-HP，Piti´e Salpild，神经辐射学系，巴黎，75013，法国E Sorbonne University，Brain Institute-Paris-Paris-Paris-Paris Institute-ICM，CNR，CNR，CNRS Inria，Inserm，Inserm，ap-hp，ap-hp，piti´e-salpˆere，dmu dimu dimu dimumu diament paris，75013
引用出版物（APA）：Pernet，C.，Garrido，M.I.，Gramfort，A.，Maurits，N.，M.，Pang，E.
摘要 - MRI的自动脑肿瘤分割（BRAT）在诊断和治疗脑肿瘤中起关键作用。尽管3D U-NET达到最新的核心结果，但由于需要具有高记忆力的高端GPU，其临床使用受到限制。为了解决限制，我们利用几种技术来自定义基于2D U-NET的内存有效但策划的深层框架。在框架中，同时多标签肿瘤分割分解为顺序单标签（二进制）分割任务的融合。除了减少内存消耗外，它还可以提高分割精度，因为每个U-net都集中在子任务上，比整个Brats分割任务更简单。还采用了多模式MRI和批处理骰子损失功能的广泛数据增强，以进一步提高概括精度。对Brats 2020的实验表明，我们的框架几乎可以实现最先进的结果。在测试集中，完成了整个肿瘤，肿瘤核心和增强肿瘤的0.905、0.903和0.822的diCe评分。此外，我们的自定义框架可在预算GPU上执行，最低要求仅2G RAM。临床相关性 - 我们开发了一种记忆有效的深脑肿瘤分割工具，该工具可显着减少肿瘤分割的硬件需求，同时保持可比的准确性和时间。这些优点使我们的框架适合在临床应用中广泛使用，尤其是在低收入地区。我们计划将框架作为自由临床大脑成像分析工具的一部分释放。该框架的代码公开可用：https：//github.com/nima-hs/brats。
定量磁化转移MRI MRI由On-...
定量磁化转移（QMT）成像旨在定量评估运动限制的宏观分子和周围水质子之间发生的磁化交换过程。用于大脑成像，经典QMT方法使用了两池模型1-3，该模型应用于伪造的损坏的梯度重新授予的（SPGR）数据。4这种方法得出的最相关的定量参数是大分子质子馏分（MPF），它对脑组织的变化具有公平的敏感性。5,6在QMT框架中，需要对T 1放松的独立测量才能解散松弛和MT效应，并提供估计MPF的估计。变量翻转角（VFA）–SPGR和MT-SPGR数据通常合并，并且使用7-9个或共同使用10，以估计明显的自由池T 1和其他QMT参数。关节估计是有益的，因为它明确考虑了两池模型中大分子和自由池之间的磁化交换，以进行更准确的t 1和MPF估计。11
电生理学硕士，在心脏MRI中进行启动，并解释遗传性心脏病患者的基因检测计划
电生理学中的主人在心脏MRI中进行启动并解释了电生理学的遗传性心脏病患者的遗传测试，电生理学的遗传学计划：120小时（15天）人的电生理学培训（Policlinico san Matteo Pavia）的人体电生理学培训（Policlinico San Matteo Pavia） Cardiovascular Imaging (48 ore in person @ ICS Maugeri, IRCCS Pavia) Dr Lorenzo Monti: Training IN PERSON in MRI (acquisizione e interpretazione dati) frequenza Martedi 8 ore e Giovedi 8 ore ( 2 masterizzandi a settimana x 3 settimane totale 48 ore ) Introduction CT and MRI play an increasingly important role in cardiac电生理学，主要是在消融程序的预性外部计划中，但也是在程序性指导和过程后的随访中。 最常见的应用包括消融心房颤动（AF），室性心动过速（VT）的消融以及计划心脏重新同步治疗（CRT）。 用于AF消融，预室进行预性评估包括使用CT或MRI的解剖学评估和计划。 通过将CT或MRI的解剖学数据与电工学映射融合以指导该过程，可以实现AF消融过程中的程序指导。 在AF消融后用CT进行的术后成像通常用于评估并发症，例如肺静脉狭窄和心动过管瘘。 为VT消融，MRI和有时CT都用于识别疤痕，代表靶向消融的心律失常底物，并计划最佳的消融方法。在心脏MRI中进行启动并解释了电生理学的遗传性心脏病患者的遗传测试，电生理学的遗传学计划：120小时（15天）人的电生理学培训（Policlinico san Matteo Pavia）的人体电生理学培训（Policlinico San Matteo Pavia） Cardiovascular Imaging (48 ore in person @ ICS Maugeri, IRCCS Pavia) Dr Lorenzo Monti: Training IN PERSON in MRI (acquisizione e interpretazione dati) frequenza Martedi 8 ore e Giovedi 8 ore ( 2 masterizzandi a settimana x 3 settimane totale 48 ore ) Introduction CT and MRI play an increasingly important role in cardiac电生理学，主要是在消融程序的预性外部计划中，但也是在程序性指导和过程后的随访中。最常见的应用包括消融心房颤动（AF），室性心动过速（VT）的消融以及计划心脏重新同步治疗（CRT）。用于AF消融，预室进行预性评估包括使用CT或MRI的解剖学评估和计划。通过将CT或MRI的解剖学数据与电工学映射融合以指导该过程，可以实现AF消融过程中的程序指导。在AF消融后用CT进行的术后成像通常用于评估并发症，例如肺静脉狭窄和心动过管瘘。为VT消融，MRI和有时CT都用于识别疤痕，代表靶向消融的心律失常底物，并计划最佳的消融方法。ct或MR图像可以与电流图中的电解质图融合，以进行VT消融过程中的经术内指导，并且还可以用于评估消融后并发症的并发症。最后，可以使用MRI的结构和功能信息来识别可能从CRT中受益的患者，并且使用CT或MRI的心脏静脉映射可能有助于计划访问。硕士课程电生理学硕士学位将保证直接访问心脏MRI诊断室，以确保直接体验患者准备，图像获取和后处理，并亲身体验CMR成像的可能性和限制。
利用神经特征增强任务 fMRI 个体差异研究
本研究由 K99AA030808 (DAAB) 和 R01DA54750 (RB) 资助。其他资助包括：AJG (DGE-213989)、SEP (F31AA029934)、ASH (K01AA030083)、RB (R21AA027827、U01DA055367)。本研究的数据由青少年大脑认知发展 (ABCD) 研究提供，该研究由美国国立卫生研究院和其他联邦合作伙伴颁发的 U01DA041022、U01DA041025、U01DA041028、U01DA041048、U01DA041089、U01DA041093、U01DA041106、U01DA041117、U01DA041120、U01DA041134、U01DA041148、U01DA041156、U01DA041174、U24DA041123 和 U24DA041147 奖项资助 (https://abcdstudy.org/federal-partners.html)。参与站点列表和研究调查员的完整列表可在 https://abcdstudy.org/consortium_members/ 上找到。ABCD 联盟调查员设计并实施了这项研究和/或提供了数据，但不一定参与了本报告的分析或撰写。本稿件反映的是作者的观点，可能不反映 NIH 或 ABCD 联盟调查员的意见或观点。
模拟驱动的监督学习框架，使用扩散MRI
一个人通常将信号表达式拟合到实验数据以估计模型参数。但是，某些生物物理模型中固有的不确定性使参数估计不稳定[22]。此外，准确的拟合并不一定证明基本的生物物理模型是合理的，并且估计的模型参数可能在生物物理上毫无意义[23，24]。由于数学并发症而排除了生物物理模型之类的微妙效果，例如神经突的起伏[11，20，25]。除了简化的几何模型带来的误差外，某些假设的有效性（例如GPA）仍然未知[23，26]。此外，几种信号表达式的有效性机制取决于微结构长度尺度[27]。体素可能表现出多长度尺度（例如，各种SOMA RADII），因此不同的有效性制度可以逐渐共存或逐渐出现[24]，从而使全面的模型验证变得困难。