XiaoMi-AI文件搜索系统
World File Search SystemMRIS
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
使用膝盖训练的深神经网络进行大脑MRIS
先前对MRI重建的研究重点是实施深度学习算法及其对图像质量的评估[1、4、10、16、20]，但域转移的主题很少被研究。但是，由于深度学习模型对给定数据的自然依赖性，该领域的适应性被证明对大多数其他深度学习应用程序中深度学习算法的性能产生了重大影响[11，14]。这一挑战对于MRI重建的学术和潜在临床应用尤其重要。自然出现的问题是“域转移对不同网络的不同数据配置有多少影响？”和“哪些网络在临床应用中最不容易在不同程度的域转移？”。为此，我们提供可视化工具，并在统计上研究域转移在最先进的MRI重建网络中有关培训数据的变化的影响。最后，基于我们的多方面分析的结果，通常适用的结论和
使用转移技术通过 MRI 对脑肿瘤进行分类...
摘要：在医学领域，图像分割是一项至关重要且困难的任务。识别异常脑组织的一种有用技术是磁共振成像 (MRI) 扫描。对于放射科医生来说，从 MRI 扫描中正确识别和分类脑肿瘤仍然是一项困难且耗时的任务。这项研究提供了一种准确识别脑肿瘤的巧妙技术。该研究调查了卷积神经网络 (CNN) 与优化技术的结合使用，以从 MRI 数据中对不同类型的脑肿瘤进行分类。具体而言，使用 VGG16 模型上的迁移学习对肿瘤特征进行分类并识别肿瘤种类。该方法旨在提高 MRI 扫描效率并提高识别精度。当使用来自 Figshare、SARTAJ 和 Br35H 数据集 [31] 的 MRI 扫描进行评估时，利用迁移学习的所提出方法增强了原始 VGG16 模型的性能，允许比其基线功能更准确、更稳健的分类，从 91.38% [1] 提高到 95% 以上。关键词：MRI 预处理、分类、脑肿瘤、卷积神经网络、迁移学习
使用解缠结潜伏扩散模型生成多模态脑肿瘤 MRI
基于深度学习的图像生成方法已被广泛用于克服数据不足。在医疗领域也是如此，数据短缺问题经常发生。在本研究中，我们提出了多模态脑肿瘤磁共振成像（MRI）生成框架，称为解缠结潜在扩散模型（DLDM），以解决医学成像中的数据不足问题。我们训练一个自动编码器，将多模态 MRI 图像的特征解缠结为模态共享和模态特定表示。通过利用从自动编码器学到的特征解缠结，我们能够训练一个可以生成模态共享和模态特定潜在向量的扩散模型。我们用 clean-FID 和改进的准确率和召回率评估了我们的方法。将结果与基于 GAN 的模型 StyleGAN2 进行了比较。关键词：生成、多模态、MRI、特征解缠结、扩散模型。
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。
通过临床 T1 加权 MRI 预测大脑年龄的可行性
通过 MRI 获得的个人大脑预测年龄减去实际年龄 (brain-PAD) 可成为研究中疾病的生物标志物。然而，尽管医院提供了丰富的临床信息，但来自临床 MRI 的大脑年龄报告却很少。由于临床 MRI 协议用于特定的临床目的，因此需要测试大脑年龄预测在临床数据上的表现。我们探索了使用 DeepBrainNet（一种之前在面向研究的 MRI 上训练过的深度网络）来预测佛罗里达州一家医疗系统的 15 个设施的 840 名患者的大脑年龄的可行性。由于预计我们的临床样本会出现强烈的预测偏差，我们对其进行了表征，以在大脑-PAD 的组级回归中提出一个协变量模型（建议避免 I 型、II 型错误），并测试了它的普遍性，这是在新的单个临床病例中进行有意义的大脑年龄预测的必要条件。最佳的偏差相关协变量模型与扫描仪无关，且与年龄呈线性关系，而估计无偏差脑年龄的最佳方法是与扫描仪无关且与脑年龄函数呈二次函数的倒数。我们证明了使用考虑所选协变量模型的组级回归来检测脑 PAD 中的性别相关差异的可行性。这些差异在偏差校正后得以保留。独立数据中预测的平均误差 (MAE) 约为 8 年，比使用 DeepBrainNet 的研究导向型 MRI 报告大 2-3 年，而 R 2（假设无偏差）分别为未校正和校正脑年龄的 0.33 和 0.76。DeepBrainNet 在临床人群中似乎是可行的，但需要更精确的算法或迁移学习再训练。
通过计算变分自动编码器潜在空间中的差异来检测脑 MRI 中的肿瘤
自动勾勒出脑磁共振图像 (MRI) 中异常的能力对计算机辅助诊断至关重要。无监督异常检测方法主要通过学习健康图像的分布并将异常组织识别为异常值来工作。在本文中，我们提出了一种切片检测方法，该方法首先在两个不同的数据集上训练一对自动编码器，一个数据集包含健康个体，另一个数据集包含正常和肿瘤组织的图像。接下来，它根据图像编码与仅对健康图像进行训练的自动编码器获得的重建编码之间的潜在空间距离对切片进行分类。我们通过对 HCP 和 BRATS-2015 数据集进行的一系列初步实验验证了我们的方法，结果表明所提出的方法能够将脑部 MRI 分为健康和不健康。
根据结构 MRI、临床和遗传数据结合双重注意力 CNN 和 MLP 来诊断阿尔茨海默病
阿尔茨海默病 (AD) 是一种不可逆的中枢神经退行性疾病，而轻度认知障碍 (MCI) 是 AD 的前兆。准确的早期诊断 AD 有利于 AD 的预防和早期干预治疗。尽管已经开发了一些用于 AD 诊断的计算方法，但大多数方法仅采用神经影像学，忽略了可能包含潜在疾病信息的其他数据（例如遗传、临床）。此外，一些方法的结果缺乏可解释性。在这项工作中，我们提出了一种新方法（称为 DANMLP），通过整合结构磁共振成像 (sMRI) 的多模态数据、临床数据（即人口统计学、神经心理学）和 APOE 遗传数据，将双注意卷积神经网络 (CNN) 和多层感知器 (MLP) 结合在一起进行计算机辅助 AD 诊断。我们的 DANMLP 由四个主要组件组成：（1）Patch-CNN，用于从每个局部块中提取图像特征，（2）位置自注意块，用于捕获块内特征之间的依赖关系，（3）通道自注意块，用于捕获块间特征的依赖关系，（4）两个 MLP 网络，分别用于提取临床特征和输出 AD 分类结果。与 5CV 测试中的其他最先进方法相比，DANMLP 在 ADNI 数据库上的 AD vs. MCI 和 MCI vs. NC 任务中实现了 93% 和 82.4% 的分类准确率，分别比其他五种方法高 0.2% ∼ 15.2% 和 3.4% ∼ 26.8%。局部区域的个性化可视化还可以帮助临床医生进行 AD 的早期诊断。这些结果表明，DANMLP 可有效用于诊断 AD 和 MCI 患者。
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。
