XiaoMi-AI文件搜索系统
World File Search SystemRadiology
对放射学充满信心：您的新 AI 助手就在这里
MISC-10295 Rev. 001 (11/24) Hologic Inc. ©2024 保留所有权利。Hologic、3D、3D 乳房 X 线摄影、Dimensions、Genius、Genius AI、Genius AI Pro、Intelligent 2D、Quantra、ImageChecker 和相关徽标是 Hologic, Inc. 及其子公司在美国和/或其他国家/地区的商标和/或注册商标。所有其他商标、注册商标和产品名称均为其各自所有者的财产。此信息仅供美国和其他市场的医疗专业人士使用，并非在禁止此类活动的地方进行产品招揽或促销。由于 Hologic 材料是通过网站、电子广播和贸易展览分发的，因此并不总是能够控制此类材料的出现位置。有关在特定国家/地区有哪些产品可供销售的具体信息，请联系您当地的 Hologic 代表。由 Therapixel 制造并由 Hologic 分销。
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。 34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院，美国马萨诸塞州波士顿 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
放射学中基于图像的生成人工智能
生成式人工智能 (AI) 已应用于图像，用于增强图像质量、域迁移和增强用于各种医疗领域的 AI 建模的训练数据。图像生成 AI 可以生成大量未注释的图像数据，从而促进多个下游深度学习任务。然而，它们的评估方法和临床效用尚未得到彻底审查。本文总结了常用的生成对抗网络和扩散模型。此外，它总结了它们在放射学领域临床任务中的效用，例如直接图像利用、病变检测、分割和诊断。本文旨在通过 1) 回顾图像生成 AI 的基本理论、2) 讨论用于评估生成图像的方法、3) 概述生成图像的临床和研究效用以及 4) 讨论幻觉问题，指导读者使用图像生成 AI 进行放射学实践和研究。关键词：生成式人工智能；生成对抗网络；扩散模型；评估指标；医学成像
在放射学中实现公平性的道德要求：交叉性和社会嵌入方式
哈佛医学院通过机器学习（ML）系统的攻击性诊断系统通常被认为是客观且公平的。但是，它可能对某些患者亚组表现出偏见。造成这种情况的典型原因是ML系统筛查的疾病特征的选择，ML系统从人类临床判断中学习，这些判断通常是有偏见的，并且ML中的公平性通常被不当概念化为“平等”。具有此类参数的ML系统无法准确诊断并满足患者的实际健康需求以及他们如何依赖患者的社会身份（即交叉性）和更广泛的社会条件（即嵌入）。本文探讨了鉴于患者的交叉性和健康的社会嵌入性，以确保ML系统的公平性的道德义务。本文提出了一组干预措施来解决这些问题。它建议对ML系统的发展进行范式转移，使他们能够筛查内源性疾病原因和患者相关潜在的健康影响（例如社会经济的情况。本文提出了一个道德要求的框架，以建立这一转变并进一步确保公平。关键字：机器学习；公平正义;道德要求；放射学I型机器学习（ML）系统在临床护理环境中发现了在医疗保健监测，诊断和风险管理中的应用（Bates＆Zimlichman，2015; Chen等，2024; Obermeyer等，2019）。但是，此光环可能没有完全合理。需求集中患者的交叉性和健康的社会嵌入性，最值得注意的是（i）通过（i）整合到ML系统中，适用于患者情况对健康影响的可测量医学指标，（ii）在道德上，多样性，代表性和正确的患者数据，与相关的疾病特征和（III）相关的社会敏感性和（III）涉及的疾病以及（III）的敏感性和（iii）涉及的数据，以及涉及的研究，并涉及社会敏感的系统，并将其涉及互联网互动，并将其涉及互联网效果。利益相关者。在放射学中，ML系统用于协助或增强临床医生在各种图像获取，分析，解释，诊断和决策支持任务中的工作（Hanneman等，2024； Yu等，2024）。这种更广泛采用的主要驱动力似乎是ML系统在图像解释和精确方面的表现（Pot等，2021; Satariano等，2023; Yu等，2024）。所谓的“自动化偏见” - 人类对自动化系统产生的信息的有效性和预测能力的倾向”（Pot等，2021，p。7） - 赋予了ML ML系统，具有对象和公平性的AURA（Pot等，20211）。对实现这些高希望的主要挑战已被证明是ML偏见系统和相关不公平结果的流行（Gichoya等，2022，2023; Hanneman等，2024; Pot et al。，2021）。ML偏见的医疗保健访问和治疗不足，引起了ML系统引起或永久存在的整体不公平性的道德问题。实证研究已系统地记录了ML偏见系统的持久性和对历史上服务不足的患者人群的不公平治疗，包括放射学（Obermeyer等，2019; Gichoya et al。，2023; Seyyed-Kalantari-Kalantari-Kalantari-Kalantari et al。等，2022； Mukherjee等人，2022年）。
介入放射学对人工智能的探索
此项目/顶点课程 - 全球访问由 USF 奖学金的所有论文、学位论文、顶点课程和项目免费和开放访问：Gleeson 图书馆 | Geschke 中心的数字存储库。它已被 USF 奖学金的授权管理员接受纳入硕士项目和顶点课程：Gleeson 图书馆 | Geschke 中心的数字存储库。有关更多信息，请联系repository@usfca.edu。
工业放射学的噪声源和后果
光子计数，基于直接转换或闪烁体）。他们的工业应用是由各个委员会（ASTM，CEN，ISO等）标准化的。是由X射线辐射的量子性质引起的，所有讨论的检测器都在其图像中显示出噪音。典型的噪声源是光子噪声，固定图案噪声是由检测器设计引起的，以及由物体结构和表面产生的噪声。检测器生产过程中不同的检测原理和制造局限性以不同的方式转移噪声贡献。作为结果，可以为不同的检测器建立基于可实现的图像质量的不同应用程序限制。此知识对于最佳检测器选择和暴露条件至关重要。这些不同的噪声源及其对图像质量的影响将在演讲中讨论。将从基本的检测原理开始实践外介绍，这表明在考虑图像质量方面时，每个检测原理在考虑图像质量方面时仍然具有自己的优势和缺点。关键字：数字工业放射学，图像质量，图像噪声，射线照相膜，计算射线照相，数字探测器阵列
放射科创伤病例 CT 扫描脑部检查中切片厚度变化导致图像质量差异分析
提交日期：2024 年 5 月 4 日 修订日期：2024 年 6 月 11 日 接受日期：2024 年 7 月 3 日 发布日期：2024 年 7 月 3 日 摘要 在 RSI Siti Rahmah Padang 的放射科设施中，对创伤病例 CT 扫描脑部检查中切片厚度变化对图像质量的差异进行了分析研究。本研究旨在确定创伤病例 CT 扫描脑部检查中 3 毫米、5 毫米和 7 毫米不同切片厚度的图像质量差异，以及在创伤病例的 CT 扫描脑部检查中，哪种切片厚度能够产生最佳图像质量以确立诊断。本研究于 2022 年 1 月至 2022 年 6 月进行，采用定量研究和实验方法，采用目的抽样技术，并使用加权平均分数公式和 SPSS Friedman 方法处理分发给受访者的问卷数据。根据加权平均得分公式，切片厚度变化3 mm、5 mm和7 mm的最高均值为3 mm的切片厚度，均值为3.64，对比度分辨率均值为3.67，噪声为3.49，创伤病例CT脑部检查骨窗结果平均为t3.74。根据Friedman方法的SPSS结果发现，创伤病例CT脑部检查中3 mm、5 mm和7 mm切片厚度变化的结果存在显著差异（p值<0.05），这表明Hₒ被拒绝而Hₐ被接受。CT脑部检查中显示创伤的良好切片厚度变化是骨窗中3 mm的切片厚度，因为如果有非常小的骨折，可以更清楚地看到。关键词：脑 CT 扫描，创伤，切片厚度，对比度分辨率背景
计算机放射技术和医学成像...
SBRT&MI 计划独一无二，遵循加拿大医学专家教育指令 (CanMEDS) 框架。CanMEDS 框架已应用于许多国家的研究生培训计划。它提供了一种能力模型，不仅强调放射技术和医学成像 (RT&MI) 专业知识，还强调能够胜任满足社会医疗保健需求的多种其他非 RT&MI 专家角色。沙特卫生专业委员会 (SCFHS) 已采用 CanMEDS 框架为所有培训计划制定核心课程。RT&MI 住院医师将担任七个 CanMEDS 角色：RT&MI 专家、沟通者、合作者、经理、健康倡导者、学者和专业人士。
利用变分自动编码器进行生成主动学习，用于兽医学放射学数据生成
摘要 — 近年来，随着人们对宠物保健的兴趣日益浓厚，兽医对计算机辅助诊断 (CAD) 系统的需求也随之增加。由于缺乏足够的放射学数据，兽医 CAD 的发展陷入停滞。为了克服这一挑战，我们提出了一种基于变分自动编码器的生成主动学习框架。此方法旨在缓解兽医 CAD 系统可靠数据的稀缺问题。本研究利用了包括心脏扩大放射图像数据和慢性肾病超声图像数据的数据集。在删除注释并标准化图像后，我们采用了一个数据增强框架，该框架包括数据生成阶段和用于过滤生成数据的查询阶段。实验结果表明，当通过该框架生成的数据添加到生成模型的训练数据中时，射线图像中的 frechet 起始距离从 84.14 减小到 50.75，超声图像中的 frechet 起始距离从 127.98 减小到 35.16。随后，当生成的数据被纳入分类模型的训练中时，混淆矩阵的真负数也从射线照片上的 0.16 提高到 0.66，超声图像上的真负数从 0.44 提高到 0.64。所提出的框架有可能解决医学 CAD 数据稀缺的挑战，从而促进其发展。
知识图形增强视觉到语言的放射学报告生成的多模型
摘要。当前的自动放射学深度学习模型包括视觉编码器和文本解码器，但通常缺乏产生临床相关，易于阅读和准确的报告所必需的语义深度和上下文理解。由于医学成像的复杂性质以及放射学报告中的专业语言和医学术语，情况更具挑战性。当前深度学习模型中域特定知识的差距强调了将专业放射学专业知识纳入高级语言模型的方法。在这项研究中，我们提出了一个知识图形增强的视觉到语言多模型，用于放射报告生成，以利用现有的医学和放射学知识图。我们探讨了预训练多模型模型的对比学习方法，以学习模态的联合嵌入，包括图像，图形和文本。我们的研究不仅通过证明知识图在增强深度学习模型中的潜力来为语义Web研究的领域做出贡献，还旨在通过以更高的准确性自动化放射学报告过程，从而彻底改变放射学报告过程，从而减少放射学家的工作量并减轻人为错误的风险。