XiaoMi-AI文件搜索系统
World File Search SystemMr
多纹理 GAN：探索脑 MR 图像的多尺度纹理转换
摘要 — 众所周知，MRI 数据集中的扫描仪间和协议间差异会导致显著的量化差异。因此，图像到图像或扫描仪到扫描仪的转换是医学图像分析领域的一个重要前沿，具有许多潜在的应用。尽管如此，现有算法中很大一部分无法明确利用和保留目标扫描仪的纹理细节，并且针对专门的任务特定架构提供单独的解决方案。在本文中，我们设计了一种多尺度纹理传输，以丰富重建图像的更多细节。具体而言，在计算纹理相似性后，多尺度纹理可以自适应地将纹理信息从目标图像或参考图像传输到恢复图像。与以前的算法所做的像素级匹配空间不同，我们在神经空间中实现的多尺度方案中匹配纹理特征。匹配机制可以利用多尺度神经传输，鼓励模型从目标或参考图像中掌握更多与语义相关和与病变相关的先验。我们在三个不同的任务上评估了我们的多尺度纹理 GAN，无需任何特定于任务的修改：跨协议超分辨率扩散 MRI、T1-Flair 和 Flair-T2 模态转换。我们的多纹理 GAN 可恢复更高分辨率的结构（即边缘和解剖结构）、纹理（即对比度和像素强度）和病变信息（即肿瘤）。广泛的定量和定性实验表明，我们的方法在跨协议或跨扫描仪转换方面取得了优于最新方法的结果。
大型和多部位结构性脑 MR 成像数据集中的深度学习
大型、多站点、异构脑成像数据集越来越需要用于训练、验证和测试基于深度学习 (DL) 的高级自动化工具，包括基于结构磁共振 (MR) 图像的诊断和治疗监测方法。在将多个较小的数据集组合成较大的数据集时，了解聚合数据集中不同采集和处理协议之间的潜在差异 (称为“批次效应”) 至关重要。训练数据集中存在差异很重要，因为它更接近地反映了真实的潜在数据分布，因此可以增强工具的整体通用性。然而，必须仔细评估批次效应的影响，以避免不良影响，例如可能降低性能指标。批次效应可能来自许多方面，包括采集设备、成像技术和参数以及应用的处理方法的差异。在开发工具时，必须考虑它们的影响，包括有益的和不利的，以确保它们的输出与提出的临床或研究问题（即实际的疾病相关或病理变化）相关，而不仅仅是由于聚合数据集中底层批次效应的特殊性。我们回顾了深度学习在结构性脑 MR 成像中的应用，它聚合了来自神经成像数据集的图像，这些数据集通常是在多个站点获取的。我们检查了包含健康对照参与者和患者的数据集，这些数据集是使用不同的采集协议获取的。首先，我们讨论了数据访问问题，并列举了一些常用的公开脑数据集的主要特征。然后，我们通过探索两大类方法回顾了纠正批次效应的方法：数据协调，使用数据标准化、质量控制协议或其他类似算法和程序来明确理解和最小化不必要的批次效应；领域自适应，开发深度学习工具，通过使用方法隐式处理批次效应以获得可靠和稳健的结果。在这篇叙述性评论中，我们强调了这两类 DL 方法的优缺点，并描述了未来研究中需要解决的关键挑战。
边缘感知的金字塔可变形网络，用于大脑的无监督注册MR图像
可变形图像注册对于临床诊断，治疗计划和手术导航至关重要。但是，大多数现有的注册解决方案都需要在可变形注册之前单独的刚性对准，并且可能无法满足较大的变形情况。我们提出了一个新型的边缘感知金字塔变形网络（称为EPREG），用于无监督的体积登记。特别是，我们建议从多级特征金字塔中充分利用有用的互补信息，以预测多尺度的位移场。这样的粗到细节估计促进了预测的注册场的进行性重新确定，这使我们的网络能够处理体积数据之间的大变形。此外，我们将边缘信息与原始图像作为双输入集成在一起，从而增强了图像内容的纹理结构，以促使所提出的网络额外注意以进行结构对齐的边缘感知信息。在包括MindBoggle101，LPBA40和IXI30在内的三个公共大脑MRI数据集上对我们的EPREG的效率进行了广泛的评估。实验证明，相对于骰子指数（DSC），Hausdorff距离（HD）和平均对称的表面距离（ASSD）的指标，我们的EPREG始终优于几种尖端方法。提出的EPREG是解决可变形体积登记问题的一般解决方案。
使用 MR 图像进行脑肿瘤类型识别...
使用磁共振图像 (MRI) 检测脑肿瘤对于当代医学成像研究来说很困难。基本上，脑肿瘤是异常脑细胞的扩张，这些细胞扩张不规律，似乎不受控制。脑膜瘤、神经胶质瘤和垂体是最常见的三种肿瘤。早期识别对于成功治疗脑肿瘤至关重要。随着医学成像的发展，医生现在采用各种成像方法来诊断脑肿瘤，如 fMRI、EEG 等。这些成像方法可以通过提供脑肿瘤位置、大小和形状的详细信息，帮助临床医生建立准确的诊断并制定治疗策略。特征提取和分类是脑肿瘤分类的两个步骤。在某些早期研究中，经常使用两种传统的手动特征提取方法来提取脑肿瘤图像的强度和纹理等细节。这项工作采用了
未经训练的感知损失，用于MR图像中线状结构的图像降级
在获取磁共振（MR）图像中，较短的扫描时间会导致更高的图像噪声。因此，使用深度学习方法自动图像降解是高度兴趣的。在这项工作中，我们集中于包含线状结构（例如根或容器）的MR图像的图像。特别是，我们研究了这些数据集的特殊特征（连接性，稀疏性）是否受益于使用特殊损失功能进行网络培训。我们特此通过比较损失函数中未经训练的网络的特征图将感知损失转换为3D数据。我们测试了3D图像降级的未经训练感知损失（UPL）的表现，使MR图像散布脑血管（MR血管造影-MRA）和土壤中植物根的图像。在这项研究中，包括536个MR在土壤中的植物根和450个MRA图像的图像。植物根数据集分为380、80和76个图像，用于培训，验证和测试。MRA数据集分为300、50和100张图像，用于培训，验证和测试。我们研究了各种UPL特征的影响，例如重量初始化，网络深度，内核大小以及汇总结果对结果的影响。，我们使用评估METIC，例如结构相似性指数（SSIM），测试了四个里奇亚噪声水平（1％，5％，10％和20％）上UPL损失的性能。我们的结果与不同网络体系结构的常用L1损失进行了比较。我们观察到，我们的UPL优于常规损失函数，例如L1损失或基于结构相似性指数（SSIM）的损失。对于MRA图像，UPL导致SSIM值为0.93，而L1和SSIM损耗分别导致SSIM值分别为0.81和0.88。UPL网络的初始化并不重要（例如对于MR根图像，SSIM差异为0.01，在初始化过程中发生，而网络深度和合并操作会影响DeNo的性能稍大（5卷积层的SSIM为0.83，而核尺寸为0.86，而5卷积层的0.86 vs. 0.86对于根数据集对5卷积层和5卷积层和内核尺寸5）。我们还发现，与使用诸如VGG这样的大型网络（例如SSIM值为0.93和0.90）。总而言之，我们证明了两个数据集，所有噪声水平和三个网络体系结构的损失表现出色。结论，对于图像
域内不变的特征学习脑中的MR成像用于基于内容的图像检索
进行大规模研究以从多个设施中收集大脑MR图像时，在每个站点的成像设备和协议中的差异的影响不容忽视，并且近年来，该域间隙已成为一个重要的问题。在这项研究中，我们提出了一种称为样式编码器对抗域的适应（SE-ADA）的新的低维表示（LDR）施加方法，以实现基于内容的图像检索（CBIR）的大脑MR图像。se-ADA通过将特异性信息与LDR分开，并使用对抗性学习来最大程度地减少域差异，从而减少了域差异。在评估实验中，将SE-ADA与八个公共大脑MR数据集（ADNI1/2/3，OASIS1/2/3/4，ppmi）进行比较的域进行了比较，SE-ADA有效地删除了域信息，同时保留了原始大脑结构的关键方面并证明了最高疾病搜索的准确性。
低成本 MR 兼容触觉刺激及 fMRI 神经反馈应用
摘要：fMRI 环境中最常见的反馈显示是视觉的，例如，参与者试图增加或减少温度计的水平。然而，触觉反馈在计算机交互任务中越来越受到重视，尤其是实时 fMRI 反馈。fMRI 神经反馈是一种尚未利用这一趋势的临床干预。在这里，我们描述了一种低成本、用户友好、与 MR 兼容的系统，该系统可以在 fMRI 神经反馈的初始应用中提供分级触觉振动刺激。我们还进行了可行性演示，表明我们可以在神经反馈范式的背景下成功设置系统并获取数据。我们得出结论，使用这种低成本系统进行振动触觉刺激是一种可行的反馈呈现方法，并鼓励神经反馈研究人员将这种类型的反馈纳入他们的研究中。
血管周空间以及在哪里找到它们 - MR成像和评估方法
背景周围空间（同义词：Virchow-Robin空间）首次在150年前描述。它们被罚款，因为围绕小渗透的大脑容器的流体填充空间。，他们越来越多地兴起了科学兴趣，尤其是在提出所谓的淋巴系统及其在神经退行性和神经炎性疾病中的可能作用。方法PubMed用于系统搜索，并具有有关MRI成像和评估的文献效果。包括人类体内成像的研究包括涉及健康人口的研究。未设置时间范围。发光中的命名法是非常异构的，其术语诸如“大”，“ diala tod”，“扩大”的周围空间，而边界和定义通常尚不清楚。这项工作通常谈论周围空间。
互补的白质MR测量及其与心血管健康和认知的关系
抽象磁共振成像（MRI）提供了多种方法来非侵入性地估算大脑中白质（WM）的特性。除了从扩散加权的MRI中得出的各种指标外，还可以估算从T1加权MRI，WM高强度的T2加权MRI，T1：T2比率的髓鞘化的总WM体积，或者是从磁力转移比率（MMTR）的。在这里，我们利用了650名健康成年人[Camcan Cohort]的基于人群的寿命队列中所有这些MR对比的存在，以确定11个常用WM指标的协方差的潜在因素。需要四个因素来解释89％的方差，这是我们用1）纤维密度 /髓鞘形式解释的，2）自由水 /组织损伤，3）3）纤维跨的复杂性和4）微结构复杂性。这些因素显示出年龄和性别的明显影响。为了测试这些因素的有效性，我们将其与心血管健康和认知表现的度量相关。具体来说，我们进行了路径分析1）将心血管措施与WM因素联系起来，鉴于WM健康与心血管健康有关，以及2）将WM因素与认知措施联系起来，鉴于WM健康对认知很重要。即使在适应年龄后，我们也发现与脉压压力相关的血管因子预测了WM因子捕获自由水 /组织损伤，并且几个WM因素为流体智能和加工速度提供了独特的预测。我们的结果表明，在WM的常见MR度量中既有互补的和冗余信息，并且它们的潜在因素可能有助于确定健康衰老中白质健康的差异原因和贡献。