XiaoMi-AI文件搜索系统
World File Search SystemMRIS
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练期间的收敛速度提高了 20% 至 40%，在部署期间的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要 20 倍以上的计算内存。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
使用 3D 神经网络系统自动检测多参数脑 MRI 中的关键发现
随着脑部 MRI 的快速发展和使用日益广泛，人们对自动图像分类的兴趣日益浓厚，以帮助人类进行解释并改善工作流程。我们的目标是训练一个深度卷积神经网络，并评估其在识别异常脑部 MRI 和关键颅内发现（包括急性梗塞、急性出血和占位效应）方面的表现。总共 13,215 项临床脑部 MRI 研究被分类为训练（74%）、验证（9%）、内部测试（8%）和外部测试（8%）数据集。每个脑部 MRI 最多包含八个对比，并且每个图像体积都重新格式化为通用分辨率，以适应扫描仪之间的差异。在审查放射学报告后，三位神经放射学家将每项研究分配为异常与正常，并确定了三个关键发现，包括急性梗塞、急性出血和占位效应。深度卷积神经网络由定位特征提取 (LFE) 模块和全局分类器的组合构建，以识别脑部 MRI 中 4 个变量的存在，包括异常、急性梗塞、急性出血和占位效应。训练、验证和测试集是根据患者随机定义的。训练是在 9845 项研究中进行的，使用平衡抽样来解决类别不平衡问题。进行了接收者操作特性 (ROC) 分析。我们内部测试数据中 1050 项研究的模型 ROC 分析显示，正常和异常脑 MRI 的 AUC/敏感性/特异性为 0.91/83%/86%，急性梗塞为 0.95/92%/88%，急性出血为 0.90/89%/81%，质量效应为 0.93/93%/85%。对于我们外部测试数据中的 1072 项研究，其显示正常和异常脑 MRI 的 AUC/ 灵敏度/特异性为 0.88/80%/80%，急性梗塞的 AUC/ 灵敏度/特异性为 0.97/90%/97%，急性出血的 AUC/ 灵敏度/特异性为 0.83/72%/88%，占位效应的 AUC/ 灵敏度/特异性为 0.87/79%/81%。我们提出的深度卷积网络可以准确识别单个脑 MRI 上的异常和关键颅内发现，同时解决了某些 MR 对比可能在单个研究中不可用的事实。
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。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
多组分脂质乳液对极低出生体重婴儿脑容量的影响
在生命的早期优化营养的早期营养中的抽象目的是衰减早产的不良神经系统后果并有可能改善神经发育结果的关键机会。我们假设在肠胃外营养（PN）中使用多组分脂质乳液（MLE）与在极低的出生体重（ELBW）婴儿中等效年龄（TEA）的脑磁共振上的小脑脑磁共振上的较大体积有关。研究设计，我们分析了妊娠28周的早产儿和/或出生体重<1,000 g在我们以前的试验中随机分配的一群早产儿中的大脑磁共振成像（MRI），以接受MLE或大豆基脂质乳液（SLE）。该研究的主要结果是小脑体积（CEV），该小脑体积（CEV）是在茶中获得的MRI。次要结果包括总脑体积（TBV），上重量，脑干量和CEV校正了在TEA上获得的MRI评估的TBV。然后分析了34名婴儿的茶中的MRI：MLE组中的17个，SLE组为17。两个研究组之间进行MRI的月经后年龄（PMA）是可比的。MLE组中的CEV以及经PMA校正的CEV均高于SLE组。在考虑的其他大脑体积之间没有发现差异。结论我们的结果表明，在PN中使用MLE可以促进ELBW婴儿的CEV生长，并在TEA时以MRI价值促进。
![arxiv：2405.03328v1 [cs.cv] 2024年5月6日](/simg/g:\will\search\icon\source\a\a720a49223e569ab03213d8d3353cf4fef1e0438.webp)
arxiv：2405.03328v1 [cs.cv] 2024年5月6日
摘要。在这项工作中，我们引入了大脑潜流（BRLP），这是一种基于潜在扩散的新型时空疾病进程模型。BRLP旨在预测3D脑MRI上个体水平的疾病的演变。为此任务开发的现有深层生成模型主要是数据驱动的，并且在学习障碍过程中面临挑战。BRLP通过纳入疾病模型的先验知识来提高预测的准确性，从而解决了这些挑战。为实施此功能，我们建议整合一个辅助模型，该模型会渗透到各种大脑区域的体积变化。此外，我们引入了潜在的平均稳定（LAS），这是一种新型技术，可提高预测进展的暂时性一致性。BRLP在一个大型数据集上进行了训练和评估，其中包括来自2,805名受试者的11,730个T1加权脑MRI，并从三个公开可用的纵向阿尔茨海默氏病（AD）研究中收集。在我们的实验中，我们将BRLP产生的MRI扫描与受试者可从受试者提供的实际随访MRI进行了比较。BRLP对现有方法表现出显着改善，与AD相关的大脑区域之间的体积准确性增加了22％，与地面真实扫描相似的图像相似性43％。BRLP在受试者水平上产生条件的3D扫描的能力，以及整合先验知识以提高准确性的新颖性，代表了疾病进展建模的显着进步，开辟了精确医学的新途径。BRLP的代码可在以下链接中获得：https：//github.com/lemuelpuglisi/brlp。
3D猫：脑肿瘤的通道注意变压器
摘要 - 脑肿瘤诊断是一项具有挑战性的任务，但对于计划治疗以停止或减慢肿瘤的生长至关重要。在过去的十年中，卷积神经网络（CNN）在医学图像中肿瘤的自动分割中的高性能急剧增加。最近，与CNN相比，视觉变压器（VIT）已成为医学成像的稳健性和效率的核心重点。在本文中，我们提出了一个新颖的3D变压器，称为3D catbrats，用于基于最先进的SWIN变压器的磁共振图像（MRIS），用于使用残留块和通道注意模块的最先进的SWIN变压器进行磁共振图像（MRI）。在Brats 2021数据集上评估了所提出的方法，并实现了在验证阶段超过当前最新方法的平均骰子相似性系数（DSC）的定量度量。索引项 - CNN，变形金刚，VIT，语义段
什么是量子科学？我为什么要关心它？ - Illinois.gov
激光、量子计算/加密、太阳能工作原理、电子显微镜、粒子波二象性、超导/超流体/低温科学、玻色-爱因斯坦凝聚、激光冷却、原子光谱、核光谱、核反应堆、核武器、核磁共振成像的工作原理、粒子束癌症治疗、放射性/半衰期/核废料、宇宙射线及其对进化的影响、标准模型（至少是我们由上、下夸克组成）、大部分纳米技术、纠缠、波函数、量子密码学、能带理论和材料科学、强核力和弱核力、核合成和我们由星尘组成的想法、质谱、粒子和核加速器……