XiaoMi-AI文件搜索系统
World File Search SystemMRIS
深度半监督学习用于脑肿瘤分类
摘要背景：本文讨论了从四种磁共振图像 (MRI) 扫描模式（即 T1 加权 MRI、增强 T1 加权 MRI、T2 加权 MRI 和 FLAIR）中对脑肿瘤、神经胶质瘤进行分类的问题。目前，许多可用的神经胶质瘤数据集通常包含一些未标记的脑部扫描，并且许多数据集的大小适中。方法：我们建议利用深度半监督学习来充分利用未标记数据。深度 CNN 特征被纳入一个新的基于图的半监督学习框架，用于学习未标记数据的标签，其中添加了新的 3D-2D 一致性约束以对来自同一 3D 脑部扫描的 2D 切片进行一致性分类。然后训练深度学习分类器使用具有估计标签的标记和未标记数据对不同类型的神经胶质瘤进行分类。为了缓解中等规模数据集导致的过度拟合，在 CNN 的训练中加入了生成对抗网络 (GAN) 生成的合成 MRI。结果：所提方案已在两个胶质瘤数据集上进行了测试，TCGA 数据集用于 IDH 突变预测（基于分子的胶质瘤亚型分类）和 MICCAI 数据集用于胶质瘤分级。我们的结果显示出良好的性能（TCGA 数据集上的测试准确率为 86.53%，MICCAI 数据集上的测试准确率为 90.70%）。结论：所提方案对于胶质瘤 IDH 突变预测和胶质瘤分级是有效的，其性能与最先进的方案相当。
辐射治疗脑转移治疗后的辐射坏死：一种计算方法
转移是癌细胞脱离原发性肿瘤，穿过血液或淋巴系统并在远处组织中形成新肿瘤的过程。转移性传播的首选部位之一是大脑，影响了所有癌症患者的20％以上。由于原发性肿瘤的治疗方法的改善，该数字正在稳步增加。立体定向放射外科手术（SRS）是少量或适度的脑转移（BMS）患者的主要治疗选择之一。SRS经常发生的不良事件是辐射坏死（RN），这是正常组织细胞死亡引起的炎症状况。一个主要的诊断问题是，由于标准磁共振图像（MRIS）的相似性，RN很难与BM复发区分开。但是，这种区别是选择最佳治疗方法的关键，因为RNS经常在没有进一步干预的情况下解决，而复发BMS可能需要开放脑部手术。最近的研究表明，RN的增长动力比复发性BMS更快，这提供了一种区分这两个实体的方法，但是对于这些观察结果，没有提供机械性解释。在这项研究中，根据增加复杂性的数学模型开发了计算框架，为BMS复发与RN事件的差异生长动力学提供了机械解释，并解释了观察到的临床现象学。模拟的肿瘤复发的生长指数大大小于由于SRS与BMS相邻的正常脑组织造成的损伤所致的炎症的组，因此导致RN。ROC曲线具有合成数据具有最佳阈值，可最大程度地提高生长指数β∗ = 1的灵敏度和特异性值。05，非常接近患者数据集中观察到的。
一种量化股头的深度学习方法
简介：股骨头（ONFH）的骨坏死会产生畸形和残疾，尤其是在年轻患者中。传统上，临床医生在灌注MRI扫描中视觉上估计灌注不足的百分比，为患者预后和疾病阶段提供了重要信息。先前的一项研究开发了hipvasc（髋关节血管）软件，该软件是客观地量化低血管性百分比，但需要通过训练有素的观察者进行无效的手动分割，并设定了通常将人工体鉴定为血管组织的灰色值阈值。在这里，我们提出了CVHIPHASC（计算机视觉髋关节血管），它利用开源MaskRCNN计算机视觉（CV）模型来自动化灌注MRIS分析。这项研究的目的是评估股骨骨epiphysis分割和灌注MRI上的股骨骨physise和非血管组织中的MaskRCNN CV模型的准确性。我们假设使用填充模型的自动定量分析将以高效率提供准确的股骨头和低血压组织的分割。方法：在国际珀斯研究小组（IPSG）中进行了525例灌注MRI扫描患者，并将MRI扫描作为BMP文件出口。鉴定出预防对比，后对比和减法系列，并将运动伪像，缺失序列或质量不佳的图像的患者排除在研究之外，剩下505例患者。该数据集分为351名患者的培训数据集，50名患者的验证数据集和104名患者的测试数据集。三名受过训练的观察者手动将股骨外骨分解在预对比图像上。1）。然后将股骨外侧分析区域（ROI）映射到减法图像中，以充当边界，观察者在股骨外周期ROI中的减法图像上注释了低血管区域。联合（IOU）的交集用于量化每个2D切片上的掩模精度。类内相关性（ICC）与HIPVASC软件的专家临床医生的视觉估计和测量值相比，评估了CV模型低血压测量百分比的准确性。结果部分：将股骨骨分析分割为81％IOU，为不血管性测量提供了准确的边界（图在带有股骨骨外侧边界覆盖的减法图像中，用78％的IOU分割了低血压组织（图2）。当比较训练有素的观察者的测量值与CVHIPHASC的ICC不血管性百分比为0.79（95％CI：0.70，0.86）。CV模型提供了高效的分析，在10秒内处理每个患者的灌注MRI扫描。尽管股骨头边界经常存在，在各种位点进行扫描之间的对比度和成像技术的变化，以及对减法图像的对比度的挑战，但该模型还是能够准确地识别出subtractiation图像中的前对结构图像和非血管造影图像中的外周边界。讨论：CVHIPSVASC以很高的精度和效率分割了股骨外侧分析和低血压区域，提供了与专家临床医生的视觉估计以及先前的HIPVASC软件一致的低血压测量百分比。图像和表：cVhipVASC不需要耗时的手动分割，也不需要使用灰色值阈值，这导致hipvasc将伪像将伪像误认为是血管区域。此外，虽然训练有素的临床医生在HIVPASC或视觉估计中的测量值有时会有所不同，但CVHIPHASC在每次扫描中都采用标准的客观模型。显着性/临床相关性：CVHIPHASC提供了一种有希望的深度学习方法，用于高效，准确地定量灌注MRIS，加速了股骨头骨质症的临床研究速度，并为临床医生提供了快速的预后工具。
骨 - 碱性磷酸酶是监测股骨骨折愈合
1 X射线成像结果。此外，放射成像的准确性是时间依赖性的，因为裂缝愈合的进展仅在骨折后大约三周才能通过X射线看到。与X射线，MRI和CT扫描等技术相关的成本使许多患者无法访问，尤其是在自付费用很常见的公共医疗保健环境中。此外，复杂设备的可用性有限，尤其是在农村地区，医疗机构通常缺乏必要的工具，而那些确实具有此类设备的工具可能会因维护不良而面临频繁的故障。依靠训练有素的专业人员，例如放射科医生和骨科专家，进一步使骨折监测工作变得复杂化，因为缺乏熟练的人员，尤其是在农村地区。这种短缺导致诊断的等待时间延长，加剧了治疗的延迟。由于地理障碍和有限的运输选择而导致的随访不一致，因此患者很难定期任命，而患者的遵守情况则受到社会经济因素的进一步影响。重复X射线的辐射暴露也引起了健康问题，尤其是对于需要频繁监测的患者而言。共同阻碍了使用当前方法，尤其是在资源约束区域中的有效断裂愈合监测。在农村环境中，对放射学成像的依赖受到有限的放射学专家和功能设备的限制，从而增加了对ALP等替代生物标志物的需求。因此，
数据受限的深度学习方法对阿尔茨海默病患者的轻度认知障碍进行分类
摘要 — 轻度认知障碍 (MCI) 是正常大脑功能衰退和更严重的痴呆症衰退之间的阶段。阿尔茨海默病 (AD) 是痴呆症的主要形式之一。虽然 MCI 并不总是导致 AD，但早期诊断 MCI 可能有助于发现那些有 AD 早期迹象的人。阿尔茨海默病神经影像学倡议 (ADNI) 已利用磁共振成像 (MRI) 诊断 MCI 和 AD。MCI 可分为两种类型：早期 MCI (EMCI) 和晚期 MCI (LMCI)。此外，MRI 结果可分为轴向、冠状面和矢状面三个视图。在这项工作中，我们使用深度学习方法基于有限的 MRI 图像对健康人和两种类型的 MCI 进行二元分类。具体来说，我们实现并比较了两种不同的卷积神经网络 (CNN) 架构。本研究使用了 516 名患者的 MRI：172 名正常对照 (CN)、172 名 EMCI 患者和 172 名 LMCI 患者。对于此数据集，50% 的图像用于训练，20% 用于验证，其余 30% 用于测试。结果表明，一个模型的最佳分类是在冠状面视图的 CN 和 LMCI 之间，准确率为 79.67%。此外，对于同一分类组，我们提出的第二个模型的准确率为 67.85%。
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
颅内脑膜瘤有好发部位吗？基于人群的图谱
摘要 脑膜瘤是最常见的颅内良性肿瘤，被认为起源于蛛网膜颗粒的蛛网膜帽细胞。我们试图根据治疗前的 MRI 开发基于人群的图谱，以探索颅内脑膜瘤的分布，并探索不同位置颅内脑膜瘤发展的风险因素。2006 年至 2015 年期间，所有被诊断为颅内脑膜瘤并转诊至神经外科的来自特定收集区域的成年人（≥ 18 岁）均有资格纳入。治疗前 T1 增强 MRI 加权脑部扫描用于半自动肿瘤分割，以开发脑膜瘤图谱。统计分析中使用的患者变量包括年龄、性别、肿瘤位置、WHO 分级和肿瘤体积。共确定了 602 名颅内脑膜瘤患者，以从广泛而明确的收集区域开发脑肿瘤图谱。脑膜瘤在脑内的空间分布并不均匀，额区肿瘤较多，尤其是旁矢状面、大脑镰前部、额叶底和中颅窝。超过 2/3 的脑膜瘤患者为女性（p < 0.001），她们患多发性脑膜瘤的可能性也更大（p < 0.01），而男性患幕上脑膜瘤的可能性更大（p < 0.01）。肿瘤位置与年龄或 WHO 分级无关。脑膜瘤的分布在脑内呈现从前到后的梯度变化。脑膜瘤在普通人群中的分布并不依赖于组织病理学 WHO 分级，但可能与性别有关。
使用深度编码器-解码器卷积神经网络预测经颅磁刺激引起的脑电场
摘要 — 经颅磁刺激 (TMS) 是一种非侵入性、有效且安全的神经调节技术，可用于诊断和治疗神经和精神疾病。然而，大脑组成和结构的复杂性和异质性对准确确定关键大脑区域是否接收到正确水平的感应电场提出了挑战。有限元分析 (FEA) 等数值计算方法可用于估计电场分布。然而，这些方法需要极高的计算资源并且非常耗时。在这项工作中，我们开发了一个深度卷积神经网络 (DCNN) 编码器-解码器模型，用于从基于 T1 加权和 T2 加权磁共振成像 (MRI) 的解剖切片实时预测感应电场。我们招募了 11 名健康受试者，并将 TMS 应用于初级运动皮层以测量静息运动阈值。使用 SimNIBS 管道从受试者的 MRI 开发头部模型。将头部模型的整体尺寸缩放至每个受试者的 20 个新尺寸尺度，形成总共 231 个头部模型。进行缩放是为了增加代表不同头部模型尺寸的输入数据的数量。使用 FEA 软件 Sim4Life 计算感应电场，将其作为 DCNN 训练数据。对于训练好的网络，训练和测试数据的峰值信噪比分别为 32.83dB 和 28.01dB。我们模型的关键贡献在于能够实时预测感应电场，从而准确高效地预测目标脑区所需的 TMS 强度。
意义：原发性中枢神经系统淋巴瘤与胶质母细胞瘤的鉴别在临床上至关重要，以尽量减少治疗风险，
以最大限度保证安全切除，并辅以放化疗以延长患者生存期。2～4除GBM外，另一种颅内恶性肿瘤原发性中枢神经系统淋巴瘤（PCNSL）占脑肿瘤的1.9%，5年生存率为37.6%。1目前，PCNSL最有效的治疗方法是化疗和放疗。5,6通常不鼓励将手术切除作为PCNSL的治疗方案。7,8因此，鉴别PCNSL与GBM已从临床角度引起重视。由于二者的放射学形态不同，术前磁共振成像（MRI）有助于鉴别PCNSL与GBM。研究表明，GBM在不同患者中表现出明显的影像学异质性，通常，GBM的MRI显示坏死是GBM的重要标志，表现为边缘强化、外形不规则或实性肿块。9、10另一方面，与GBM相比，PCSNL的弥漫性浸润性较低，很少显示坏死区域。11、12然而，非典型病例可以相互模仿，例如没有可见坏死的GBM或有明显坏死的PCNSL，这使得通过常规MRI的大体目视检查进行区分变得困难。除了常规MRI外，由于GBM和PCSNL在功能表达上不同，功能MRI可以帮助我们分辨它们之间的区别。PCNSL和GBM的鉴别可以基于三个功能特征，13、14，即肿瘤血管分布、15血管通透性，16、17
sofnet：基于光流的大型...
来自多个中心的大脑磁共振成像（MRI）数据通常在成像条件下表现出差异，例如所使用的核磁共振仪器的类型和随机噪声的存在。此外，MRI切片之间差距的差异进一步使数据的可用性复杂化了高级人工智能（AI）分析。基于深度学习的方法已成为解决挑战的实用解决方案。然而，现有的研究在很大程度上忽略了大脑MRI数据的增强，尤其是在面对明显的切片间隙时，例如在我们的临床大脑MRI切片中观察到的大约6 mM。响应这一研究差距，我们旨在开发新的方法来增强大脑MRI数据，重点关注更大的切片差距。为了实现这一目标，我们提出了SOFNET，它利用了基于光流和编码器 - 二次骨架的sofnet。我们模型的主要目标是插值MRI切片，同时保持特征一致性。利用光流法，与其他超分辨率算法相比，该方法表现出了出色的性能，我们提出的方法已在三个不同的大脑MRI数据集上进行了评估，并明确解决了4.2 mm和6.0 mm之间的差距。实验结果强调了SOFNET在生成适应的脑MRI数据方面获得的超分辨率质量的显着增强，超过了其他单位超级分辨率（SISR）方法。为了确保插值脑MRI切片的可信度，我们基于诸如峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标（例如峰值信噪比（PSNR））对三个MRI进行了实验。这些实验证明了我们方法在将低分辨率MRI数据转换为清晰可靠的大脑MRIS中的有效性，从而可以使用AI技术进行了改进的分析。