XiaoMi-AI文件搜索系统
World File Search SystemMRIS
25 优化基于 3D U-Net 的脑肿瘤分割...
虽然神经胶质瘤已成为最常见的癌性脑肿瘤，但通过 3D MRI 进行手动诊断非常耗时，且不同的放射治疗师进行的诊断可能不一致，因此迫切需要自动分割脑肿瘤。最先进的方法采用 FCN 来自动分割 MRI 扫描。特别是 3D U-Net 已经取得了显著的表现，并激发了一系列后续研究。然而，它们巨大的规模和繁重的计算阻碍了它们的实际部署。尽管存在大量关于使用低精度表示压缩 CNN 的文献，但它们要么注重减少存储而没有计算改进，要么导致严重的性能下降。在本文中，我们提出了一种 CNN 训练算法，该算法使用非负整数以及训练过的仿射映射函数来近似权重和激活。此外，我们的方法允许以整数算术方式执行点积运算，并将浮点解码和编码阶段推迟到层的末尾。 BraTS 2018 上的实验结果表明，我们训练过的仿射映射方法在 8 位权重和激活的情况下实现了接近全精度的骰子精度。此外，在使用 4 位和 2 位精度时，我们分别实现了与全精度骰子精度相差 0.005 和 0.01 以内的骰子精度。
一个深度学习模型，可预测MR图像的创伤性脑损伤严重程度和结果
摘要 - 对于许多神经系统疾病，包括神经脑损伤（TBI），神经影像学信息起着决定诊断和预后的关键作用。tbi是一种疾病，可以导致持久的身体，情感和认知障碍。磁共振成像（MRI）是一种非侵入性技术，它使用无线电波来揭示大脑解剖学和病理学的细节。尽管放射科医生解释了MRI，但在使用深度学习进行MRI解释方面正在取得进步。这项工作评估了一个基于残留学习卷积神经网络的深度学习模型，该神经网络可预测MR图像的TBI严重程度。该模型在TBI严重程度不同的受试者的测试样本上达到了高灵敏度和特定的山脉。在6个月和12个月的TBI受试者上提供了六项结果指标。组对受试者之间的结果比较与模型正确分类的受试者的分类为错误分类表明，神经网络可能能够从未包含在地面真实标签中的MR图像中识别潜在的预测信息。残留的学习模型显示了来自TBI受试者的MR图像的分类中的希望。索引术语 - 创伤性脑损伤，MRI，深度学习，医学成像，转移学习
人工智能医疗革命：一场广泛的……
摘要：本研究探讨了人工智能 (AI) 在癌症医学领域的各种应用方式，重点关注医疗保健领域的创新技术和进步。这篇题为“人工智能医疗保健和癌症医学领域的新方法”的文章探讨了人工智能如何彻底改变许多领域，包括人口健康管理、临床决策支持、药物发现、病理分析、诊断成像、预测建模和预测建模。本文首先探讨了人工智能 (AI) 在诊断成像中发挥的革命性作用，其中算法在识别异常方面表现出卓越的准确性，尤其是在 MRI、CT 扫描和乳房 X 线摄影中。根据独特的分子特征定制癌症治疗，开启靶向治疗的新时代，并最大限度地减少副作用是精准肿瘤学的主要主题。人工智能驱动的临床决策支持系统分析各种患者数据，以改善医务人员的决策过程。作为癌症医学的重要组成部分，预测模型可以洞悉疾病的发展、治疗反应、生存预测以及高风险患者的识别。该研究重点介绍了人工智能如何改善临床试验、加快药物研发以及改变病理学和组织学分析，从而提供更精确的癌症诊断。
ibeat v2.0：一种适用于婴儿脑皮质表面重建的多站点，基于深度学习的管道
人类大脑皮层在产后早期阶段经历了戏剧性和关键的发育。受益于神经影像学的进展，许多婴儿脑磁共振成像（MRI）数据集是从具有不同扫描仪和成像协议的多个成像位点收集的，以研究正常和异常的早期大脑发育。但是，通过这些多站点成像数据精确处理和量化婴儿大脑发育是极其挑战的，因为婴儿脑MRIS：a）表现出极低和动态的组织对比，由持续的髓鞘形成和成熟引起，而b）遭受跨站点/扫描仪/扫描仪的多样化的层间数据异质性造成的大型疗程。因此，现有的计算工具和管道通常在婴儿MRI数据上表现不佳。为了应对这些挑战，我们提出了一种强大的，多站点的，可供婴儿守则的计算管道，利用强大的深度学习技术。提议的管道的主要功能包括预处理，脑部头骨剥离，组织分割，拓扑校正，皮质表面重建和测量。我们的管道可以很好地处理T1W和T2W结构婴儿脑MR图像（从出生到6岁），对于不同的成像协议/扫描仪，尽管仅接受了Baby Connectome项目的数据培训，但对不同的成像协议/扫描仪都有效。与多站点，多模式和多年龄数据集的现有方法进行了广泛的比较，表现出我们管道的效率，准确性和鲁棒性。我们已经维护了一个网站Ibeat Cloud 1，以便用户使用管道处理其图像，该管道已成功处理了100多个由100个以上机构的婴儿MRI扫描，并具有各种成像协议/扫描仪。
使用卷积中性网络检测脑肿瘤
＃顾问摘要对脑肿瘤的早期和准确诊断是由大脑中细胞异常生长引起的致命疾病，这对于提高存活率至关重要。一种流行的检测，诊断和治疗方法是磁性推理成像（MRI），因为它是无创的，并且提供了高质量的视觉效果。不幸的是，手动分析它们通常很耗时，需要医疗专业知识。图像分类是计算机视觉的子集，是计算机在图像中对对象进行分类和解释对象的能力。它可以支持医生的诊断，并作为脑肿瘤的入门级筛查系统。本研究旨在建立一个准确的机器学习模型，以预测磁共振图像中脑肿瘤的存在。我们使用BR35H数据集构建了两个不同的卷积神经网络（CNN）模型：KERAS顺序模型（KSM）和图像增强模型（IAM）。首先，我们数据集中的图像进行了预处理，进行了预处理和标准化，以提高效率并减少不准确性。然后，将数据归一化，我们的模型进行了培训。最后，除了在训练过程中观察到的验证精度和损失外，我们还使用准确性验证数据集互为模型的准确性。在我们的两个模型中，IAM超过了KSM。IAM的验证精度为97.99％，BR35H数据集的验证损失为4.94％，从准确性验证数据集对MRIS进行分类时，精度为100％。引入由于其生存率低，脑肿瘤是一种致命的疾病。他们可以是良性（非癌性）或恶性（癌）。良性脑肿瘤逐渐生长，通常包含在大脑的一个区域中，而恶性脑肿瘤迅速生长并侵入健康的脑组织。这些恶性肿瘤的5年生存率仅为36％，尽管它可以根据年龄和肿瘤的位置而变化。
癫痫中的磁共振脑成像发现
目标的目的是评估癫痫中磁共振脑成像的不同发现。背景癫痫是一种影响儿科和成人的常见脑疾病。神经影像在癫痫患者中的主要作用是鉴定潜在的结构异常。MRI具有很高的空间分辨率，软组织对比度和多平面功能，使其成为研究癫痫患者的选择。患者和方法这项研究是在2019年10月至2021年9月在Menoufia审查委员会批准的MRI诊断部门MRI单元，在MENOUFIA大学医院的放射性诊断部门进行，并在获得所有患者的同意后前瞻性地进行了前瞻性执行。患者被转诊/招募并进行大脑MRI。根据国际反对癫痫联盟的标准，随附的患者被诊断为癫痫病。结果该研究包括100例患者（51％的成年人，53％男性，中位年龄23.87岁）。在31例患者（31％）中，MRI正常，而69例（69％）的异常，异常弥漫范围。最常见的异常是先天/发育病变（27％），其次是脑肿瘤（26％）。异常MRIS比儿科（P <0.001）的年龄增加（中位年龄33岁，P <0.001）更为普遍（中位年龄33岁，p <0.001），而在慢性/复发性癫痫发作中比新发作的癫痫发作（p <0.001）更为普遍。结论MRI大脑评估临床诊断性癫痫患者的MRI大脑评估表明，MRI异常的患病率很高，病因范围弥漫。MRI应用作评估癫痫患者的重要工具。
![arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现](/simg/g:\will\search\icon\source\6\695a887162683872622af1dd7bade269710e62f2.webp)
arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现
MRI 的最新进展促成了大型数据集的产生。随着数据量的增加，在这些数据集中找到同一患者的先前扫描结果变得越来越困难（这一过程称为重新识别）。为了解决这个问题，我们提出了一种名为 DeepBrainPrint 的 AI 驱动的医学影像检索框架，旨在检索同一患者的脑部 MRI 扫描结果。我们的框架是一种半自监督对比深度学习方法，具有三项主要创新。首先，我们结合使用自监督和监督范式，从 MRI 扫描结果中创建有效的脑部指纹，可用于实时图像检索。其次，我们使用特殊的加权函数来指导训练并提高模型收敛性。第三，我们引入了新的成像变换，以提高在存在强度变化（即不同的扫描对比度）的情况下的检索稳健性，并考虑患者的年龄和疾病进展。我们在阿尔茨海默病神经影像计划 (ADNI) 的 T1 加权脑部 MRI 大型数据集和用于评估不同图像模式的检索性能的合成数据集上测试了 DeepBrainPrint。我们的结果表明，DeepBrainPrint 的表现优于之前的方法，包括简单的相似性指标和更先进的对比深度学习框架。
具有双重抑制策略的协同分解双线性网络用于 MRI 脑肿瘤分类
摘要：脑肿瘤自动分类是一种可行的加速临床诊断的方法。最近，使用 MRI 数据集进行深度卷积神经网络 (CNN) 训练已在计算机辅助诊断 (CAD) 系统中取得成功。为了进一步提高 CNN 的分类性能，在脑肿瘤的细微判别细节方面仍有一条艰难的道路。我们注意到，现有方法严重依赖数据驱动的卷积模型，而忽略了使一个类别与其他类别不同的因素。我们的研究旨在引导网络在相似的肿瘤类别中找到确切的差异。我们首先提出了一种针对脑肿瘤 MRI 的“双重抑制编码”模块，它从我们的网络中分出两条路径来细化全局无序信息和局部空间表示。目的是通过减少负面全局特征的影响并扩大显着局部部分的注意力，为正确的类别提供更有价值的线索。然后我们引入了一个用于特征融合的“分解双线性编码”层。目的是生成紧凑且有判别力的表示。最后，这两个组件之间的协同作用形成了一个以端到端方式学习的管道。大量实验在三个数据集的定性和定量评估中表现出卓越的分类性能。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
胼胝体发育不全胎儿大脑解剖变异性分析
胼胝体发育不全 (CCA) 是最常见的先天性畸形之一，其神经发育结果不确定，尤其是当疾病被孤立时。为了向父母提供明智的咨询，在怀孕早期确定与预测结果相关的解剖标记至关重要。使用 CCA 对胎儿大脑进行定量探索的情况很少见，而且主要限于对特定大脑结构的研究。在这里，我们提出了一种基于微分同胚变换的胎儿大脑磁共振成像 (MRI) 分析流程。它包括两个步骤：半自动胎儿 MRI 预处理程序和量化与正常发育的解剖偏差的流程。MRI 预处理之后，使用配准将每个体积胎儿大脑与年龄匹配的健康模板大脑在全球范围内进行比较。将变形并行传输到同一空间以纠正胎儿之间的年龄差异。使用主成分分析和分类确定了 CCA 特有的变形模式。该流程在回顾性选择的 38 个健康胎儿和 73 个 CCA 胎儿的 MRI 上进行了测试。根据更多局部分析，最相关的 14 分类变形模式将众所周知的大脑改变与 CCA 相结合。15 这项初步工作有望定量探索异常胎儿大脑 16 并将在未来用于识别与不良临床结果相关的解剖特征 17。18