XiaoMi-AI文件搜索系统
World File Search SystemRadiographic
人工智能对放射学报告的影响
最简单的方法是人工智能通过自动测量或分类来支持放射学报告，尽管这种功能可能对横断面成像更有益。更常见的是，人工智能可用于对放射学报告工作列表进行优先排序或分类——所有被确定为包含异常发现的图像或显示特定病理的图像。2,3医院可以使用优先级来标记需要紧急报告的病例，以减轻报告积压带来的风险。这种优先级是否真的能更快地诊断出紧急或关键发现目前正在研究中，包括检查肺癌途径和诊断时间的工作。4然而，工作列表优先级可能会导致意想不到的不良后果，例如对于没有关键发现的患者来说，焦虑会增加，结果可能会更糟，因为他们需要等待更长的时间才能得到结果（例如，胸部X光检查正常的高风险肺癌患者需要等待更长时间才能得到正常报告，因此延迟了胸部 CT 转诊）。
腺样体评估中射线参数的可靠性
图 2。椎腔 X 射线参数。(A): Ba：椎底（枕骨大孔前缘的最下点）；EsfL：蝶骨线（与蝶骨下缘相切，与 Ba 成正比）；PL：腭线（从鼻棘前部到鼻棘后部）；Pm：翼上颌线（鼻底边缘与上颌骨后缘的交点）；PmL：翼上颌线（与 Pm 成垂直于 PL 成正比）；aa：寰椎前部（寰椎最前点）；aaL：寰椎前线（与 aa 成垂直于 PL 成正比）。(B): S：鞍区（位于鞍区的几何中心）；Ba：椎底； S 0 ：S-Ba 距离中点；Pm：翼上颌；ad 1 ：Pm-Ba 线与咽扁桃体边界的交点；ad 2 ：Pm-S 0 线与咽扁桃体边界的交点。(C): PHF：法兰克福水平面；Pt：翼突（圆孔下缘与翼腭窝后部交点处的点）；PtV：垂直翼突（与 PHF 垂直于 Pt 的线）；PtV-Ad：咽扁桃体边界与 PtV 之间的距离。(D): SP：上咽。
牙科射线照相成像中的深度学习
通讯作者：汉田金国立大学牙科医院儿科牙科院，北诺木，北诺 - 古德101号，大韩民国北诺木，电话： +82-2-6256-3265 /传真： +82-2-6256-3265 /传真： +82-2--6256-3266 / e-e-e-e-kht
闪光影像学和层析成像的闪光灯的需求，趋势和进步
手稿于2023年6月19日收到；修订于2023年6月26日； 2023年6月27日接受。出版日期； 2023年6月28日；当前版本的日期2023年7月18日。这项工作得到了美国能源部（Los Alamos报告编号LA-ur-22-32994）的部分支持，合同89233218CNA000001。根据20190043dr奖，洛斯阿拉莫斯国家实验室的实验室指导研究与开发计划（LDRD）计划的支持。Reeju Pokharel的工作得到了Grant Doe-NNSA的能源部国家核安全部门的动态材料物业运动的支持。Daniel J. Rutstrom的工作得到了DOE-NNSA的部分支持，该公司通过核科学和安全联盟颁发的DE-NA-0003 180奖和DE-NA-0003996奖和核能办公室，核能办公室，综合大学计划研究生奖学金。C. L. Morris和Mariya Zhuravleva的工作得到了田纳西大学的核科学和安全财团的支持，该联盟颁发了DE-NA-0003 180奖和DE-NA-0003996奖。Anton S. tremsin的工作得到了美国能源/NNSA/DNN研发部的部分支持，部分以及劳伦斯·伯克利国家实验室的一部分是根据合同AC02-05CH11231所支持的。本文的较早版本是在第16届闪烁材料及其应用国际会议的特刊（SCINT22），9月19日至23日，2022年，美国新墨西哥州圣达菲[doi：10.48550/arxiv.2212.10322]。（通讯作者：Zhehui Wang。）数字对象标识符10.1109/tns.2023.3290826Christotoge Dujardin与LumièreMatièreInstitut，UMR5306，CNRS，CNRS，UniverséClaudeBernard Lyon1，69622法国Villebanne，法国（电子邮件：christophhe.dujardin@.fr）。 Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。 Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > > > >Christotoge Dujardin与LumièreMatièreInstitut，UMR5306，CNRS，CNRS，UniverséClaudeBernard Lyon1，69622法国Villebanne，法国（电子邮件：christophhe.dujardin@.fr）。Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。 Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > > >Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > >Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; >Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu;Mar Nikl曾在捷克科学学院的物理研究所，捷克共和国普拉格16200号（电子邮件：nikl@fzu.cz）。Anton S. Tremsin与加利福尼亚州伯克利分校的太空科学实验室一起，美国加利福尼亚州94720美国（电子邮件：astr@berkeley.edu）。本文中一个或多个数字的颜色版本可从https://doi.org/10.1109/tns.2023.3
射线成像和断层扫描闪烁体的需求、趋势和进展
摘要 —闪烁体是射线成像和断层扫描 (RadIT) 的重要材料，当使用电离辐射（例如 X 射线、高能带电粒子或中子）来揭示物质的光学不透明内部结构时。自从伦琴发现和发明以来，RadIT 现已有多种形式或模式，例如相位衬度 X 射线成像、相干 X 射线衍射成像、1 MeV 以上的高能 X 射线和 γ − 射线射线照相术、X 射线计算机断层扫描 (CT)、质子成像和断层扫描 (IT)、中子 IT、正电子发射断层扫描 (PET)、高能电子射线照相术、μ 子断层扫描等。高空间、时间分辨率、高灵敏度和辐射硬度等是 RadIT 性能的常见指标，除闪烁体外，粒子源（尤其是高亮度加速器和高功率激光器）、光电探测器（尤其是互补金属氧化物半导体 (CMOS) 像素化传感器阵列）以及最近的数据科学的进步也使这些指标得以实现。医学成像、无损检测、核安全和保障措施是 RadIT 的传统应用。快速增长或新兴的应用示例包括太空、增材制造 (AM)、机器视觉和虚拟现实或“元宇宙”。根据 RadIT 指标讨论了闪烁体指标，例如光产量、衰减时间和辐射硬度。SCINT22 会议期间展示了 160 多种闪烁体和应用。一些新的趋势包括无机和有机闪烁体复合材料或异质结构、钙钛矿和单晶微米厚薄膜的液相合成、最近使用多物理模型和数据科学来指导闪烁体的开发和发现、结构创新，如光子晶体、纳米闪烁体，
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
8.2.1-061 - 初次认证的射线检测 EMC 考试指南
联系信息................................................................................................................................ 2 目录.................................................................................................................................... 3 NRCan 国家无损检测认证机构服务概述........................................................................................ 4 重要通知................................................................................................................................. 4 成功建议：笔试.................................................................................................................... 5 射线检测 1 级...................................................................................................................... 6
数字射线成像系统的验收测试和质量控制
1 阿拉巴马州伯明翰市阿拉巴马大学伯明翰分校医学中心 2 威斯康星州斯科菲尔德市阿斯皮鲁斯沃索医院 3 德克萨斯州贝莱尔市独立顾问 4 宾夕法尼亚州立大学 宾夕法尼亚州赫尔希市 5 耶鲁纽黑文医院和耶鲁大学医学院 康涅狄格州吉福德市 6 明尼苏达州罗切斯特市梅奥诊所 7 美国食品药品监督管理局器械和放射健康中心 马里兰州银泉市 8 宾夕法尼亚州费城托马斯杰斐逊大学 9 独立 — 无关联 康涅狄格州西哈特福德市 10 德克萨斯大学 MD 安德森癌症中心 德克萨斯州休斯顿市 11 独立 — 无关联 密歇根州莱克林登市 12 威斯康星大学 威斯康星州麦迪逊市 13 俄克拉荷马大学健康科学中心 俄克拉荷马州俄克拉荷马市 14 康涅狄格州韦斯顿市 15 马什菲尔德诊所 威斯康星州马什菲尔德市 16 DeltaStrac LLC 马里兰州克拉克斯堡市 17 Varex 影像公司 纽约州彭菲尔德市 18 独立顾问，南卡罗来纳州辛普森维尔 19 佳能医疗研究美国公司，伊利诺伊州弗农山
人工智能在急诊科 COVID-19 肺炎放射诊断中的应用
1. Tsikala VM、Atalla E、Georgakas J 等人。用于研究、诊断和治疗 COVID-19 患者的新兴技术。Cell Mol Bioeng。2020；13(4):249–257。2. Weizman Y、Tan AM、Fuss FK。使用可穿戴技术增强对冠状病毒 (COVID-19) 大流行的应对。公共卫生。2020；185:221-222。3. Wilmink G、Summer I、Marsyla D 等人。实时数字接触者追踪：开发一种用于控制疗养院和长期护理机构中 COVID-19 疫情的系统 (预印本)。JMIR 公共健康监测。2020；6(3):e20828。4. Hare N、Bansal P、Bajowala SS 等人。 COVID-19：揭开远程医疗的面纱。《过敏临床免疫实践杂志》。2020；8(8):2461。5. Berlyand Y、Raja AS、Dorner SC 等人。人工智能如何改变急诊科的运作。《Am J Emerg Med》。2018；36(8):1515-1517。6. Grant K、McParland A、Mehta S、Ackery AD。急诊医学中的人工智能：具有革命性潜力的可克服障碍。《Ann Emerg Med》。2020；75(6):721-726。7. Chase VJ、Cohn AEM、Peterson TA、Lavieri MS。使用预测方法预测急诊科人流量，为非危机事件创建“激增响应”。《Acad Emerg Med》。2012；19(5):569-576。 8. Liu N, Koh ZX, Chua ECP 等。通过不平衡临床数据预测急性心脏并发症的风险评分。IEEE J Biomed Heal Informatics。2014;18(6):1894-1902。9. Levin S、Toerper M、Hamrock E 等。与急诊严重程度指数相比，基于机器学习的电子分诊可以更准确地根据临床结果区分患者。Ann Emerg Med。2018;71(5):565-574.e2。
使用自动化机器学习平台
目标。自动化机器学习（AUTOML）平台使医疗保健专业人员可以根据科学或临床需求在机器学习（ML）算法的开发（ML）算法中发挥积极作用。这项研究的目的是开发和评估这种模型的自动检测和远端手动关节炎（OA）的分级。方法。收集了来自瑞士质量管理（SCQM）中2,863名患者的13,690张手部X光片，并使用Modiie Ed Ed Kellgren/Lawrence（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence），收集了346例非SCQM患者的外部控制数据集并为远端的脑臂式OA（DIP-OA）进行评分。giotto（学习预测[L2F]）被用作训练两个卷积神经网络的自动平台，根据K/L分数进行倾斜关节提取和随后的分类。总共提取了48,892个浸入关节，然后用于训练分类模型。热图独立于平台。风湿病学家和放射科医生研究了Web应用程序作为临时用户界面的用户体验。结果。该模型检测DIP-OA的敏感性和特异性分别为79％和86％。对正确的K/L评分进行评分的精度为75％，κ评分为0.76。每个DIP-OA类别的准确性不同，没有OA为86％（定义为K/L得分为0和1），K/L分数为2，46％的K/L分数为71％，k/L得分为3，K/L得分为67％，K/L得分为4。在独立的外部测试集中获得了相似的值。相反，放射科医生表达的需求很低，除了使用热图。对Web应用程序的定性和定量用户体验测试显示，风湿病学家对自动化DIP-OA评分的需求中等至高。结论。汽车平台是开发临床端到端ML算法的机会。在这里，自动射线照相DIP-OA检测既可行又可用，而在单个K/L分数（例如，对于临床试验）中的评分仍然具有挑战性。