XiaoMi-AI文件搜索系统
World File Search SystemResonance
磁共振光谱（MRS）处理软件用于准确分析技术摘要
该软件已开发为为用户提供改进的磁共振光谱（MRS）处理方法，其中包括几个降低降噪信号增强步骤，可提供更高的灵敏度和特异性，以提高技术的诊断能力。磁共振成像（MRI）已成为一种相对常见的医学成像技术，该技术使用强磁场，无线电波和计算分析来创建体内组织的详细图像。它经常用于诊断癌症，心脏和大脑中的血管问题，肌肉骨骼和其他软组织损伤。MRS可以使用以不同方式处理的MRI仪器收集的信息来创建图形或“光谱”，该图形或“光谱”测量所选组织体积内的生化成分。MRI创建图像，MRS可以确定可以诊断出可以诊断的组织中化学物质的类型和数量，比较比率和绝对值。该技术的另一个优点是它是非侵入性的，因此不需要从患者那里取样或活检。
通过 GAN 反演从功能性磁共振成像重建面部图像并提高属性一致性
摘要 — 神经科学研究表明，大脑对视觉内容进行编码并将信息嵌入神经活动中。最近，深度学习技术通过使用生成对抗网络 (GAN) 将大脑活动映射到图像刺激，促进了解决视觉重建问题的尝试。然而，这些研究都没有考虑图像空间中潜在代码的语义含义。忽略语义信息可能会限制性能。在本研究中，我们提出了一个新框架，用于从功能性磁共振成像 (fMRI) 数据重建面部图像。在该框架下，首先应用 GAN 逆向来训练图像编码器以提取图像空间中的潜在代码，然后使用线性变换将其桥接到 fMRI 数据。使用属性分类器从 fMRI 数据中识别出属性后，决定操纵属性的方向，然后属性操纵器调整潜在代码以提高所见图像和重建图像之间的一致性。我们的实验结果表明，所提出的框架实现了两个目标：（1）从 fMRI 数据重建清晰的面部图像；（2）保持语义特征的一致性。索引术语 —fMRI、面部图像重建、GAN 反转、属性操纵
使用优化阈值差异算法和粗糙集从磁共振图像中分割脑肿瘤
摘要 - 本研究提出了一种使用所提出的优化阈值差异 (OTD) 和粗糙集理论 (RST) 自动分割脑肿瘤的有效方法。使用所提出的两级分割算法确定肿瘤区域。第一级，即创建叠加图像，它是初始阶段分割的脑区所有像素的强度平均值。然后是第二级，其中根据指定的阈值在脑区和叠加图像之间应用阈值差异处理。使用灰度共生矩阵 (GLCM) 从分割图像中提取特征。为了提高性能，对提取的特征采用了 RST。使用 Figshare 开放数据集验证了完全自动化的方法。
人工智能在心血管磁共振中的应用——综合综述
1 意大利巴里综合医院心胸外科大学心脏病学部，70121；adrianaargentiero92@gmail.com（AA）；nicolo.soldato@gmail.com（NS）；pabas2304@gmail.com（PB）；eziosantobuono@gmail.com（VES）2 意大利米兰比可卡大学医学与外科学院，20126 米兰；g.muscogiuri@gmail.com（GM）；sandro.sironi@unimib.it（SS）3 意大利米兰圣卢卡医院 IRCCS Istituto Auxologico Italiano 放射科，20149 米兰，意大利 4 芝加哥洛约拉大学心脏病学分部，伊利诺伊州芝加哥 60660，美国； mrabbat@lumc.edu 5 放射学科学，帕尔马大学医学和外科系，意大利 43126 帕尔马；chiaramartini10@gmail.com 6 围手术期和心血管影像学系，Centro Cardiologico Monzino IRCCS，意大利米兰 20138；andrea.baggiano@cardiologicomonzino.it（AB）；saima.mushtaq@ccfm.it（SM）；laura.fusini@cardiologicomonzino.it（LF）；maria.mancini@cardiologicomonzino.it（MEM）；gianluca.pontone@cardiologicomonzino.it（GP）7 心脏病学系，Azienda Ospedaliero-Universitaria，意大利 43126 帕尔马； ngaibazzi@gmail.com 8 意大利贝加莫 24127 ASST Papa Giovanni XXIII 医院放射科 9 意大利巴里大学急诊和器官移植系 70121 巴里 * 通信地址：andreaigoren.guaricci@uniba.it † 这些作者对这项工作做出了同等贡献。
使用心血管磁共振验证特发性扩张型心肌病的诊断：扩张型心肌病精准医学研究
功能研究至关重要，包括心电图以评估心率、心律和传导，超声心动图以测量心室大小、功能和壁厚度，以及对于有 CAD 风险的患者，通过冠状动脉造影排除阻塞性 CAD。心血管磁共振 (CMR) 也有助于病因评估。先前的研究表明，在经冠状动脉造影分类为非缺血性 DCM 的患者中，多达 13% 的患者可能出现与潜在缺血性病因一致的晚期钆增强 (LGE) 模式。4 目前尚不清楚 LGE 模式的适当病因含义，尤其是对于冠状动脉阻塞正常或轻微且没有已知风险因素的患者，甚至对于 CAD 风险极小的 20 至 30 岁患者。人们投入了大量精力去了解 LGE 的病因和意义，早期的共识是缺血型 LGE 典型表现为心内膜下或透壁性瘢痕。5 这种典型的缺血型 LGE 可以用缺血的病理生理学来解释，即坏死波阵面始于心内膜下，并向心外膜移动，最后变成透壁性。缺血型 LGE 应始终涉及心内膜下，并应定位于心外膜动脉的灌注区域。尽管 CMR 可能提示缺血型 LGE 的病因是与 CAD 相关的心肌梗死或栓塞现象，但病史和临床数据对于做出此类区分至关重要。此外，缺血型 LGE 也可在非缺血性心肌病（如结节病、淀粉样变性、法布里病等）中观察到，在这种情况下，其他关键 CMR 特征和临床数据有助于确定最终病因。5 此外，尽管 LMNA 心肌病的基因特异性研究已显示跨壁 LGE，但 LGE 模式尚未与 DCM 遗传学的广度完全整合。6,7
文章：Alandejani, F.、Alabed, S. orcid.org/0000-0002-9960-7587、Garg, P. 等人（另外 23 位作者）（2022 年）人工智能得出的右心房心血管磁共振测量的训练和临床测试。《心血管磁共振杂志》，24 (1)。25。
摘要背景：右心房 (RA) 面积可预测肺动脉高压患者的死亡率，并被欧洲心脏病学会/欧洲呼吸学会肺动脉高压指南推荐。深度学习的出现可能使 RA 面积测量更加可靠，以改善临床评估。本研究的目的是实现心血管磁共振 (CMR) RA 面积测量自动化，并通过评估可重复性、与侵入性血流动力学的相关性和预后价值来评估其临床效用。方法：在 365 名患有肺动脉高压、左心室病变的患者和健康受试者的多中心队列中训练了深度学习 RA 区域 CMR 轮廓模型。在前瞻性队列 (n = 36) 中评估了研究间重复性 (组内相关系数 (ICC)) 和轮廓一致性 (DICE 相似系数 (DSC))。对未用于训练或前瞻性队列的 400 名患者进行了临床测试和死亡率预测，并对 212/400 名患者评估了自动和手动 RA 测量与侵入性血液动力学的相关性。在 ASPIRE 登记处对 3795 名患者进行了放射科医生质量控制 (QC)。主要 QC 观察员评估了所有分割并将其记录为满意、次优或失败。第二位 QC 观察员分析了一个随机子队列以评估 QC 一致性 (n = 1018)。结果：与手动 RA 测量相比，所有深度学习 RA 测量均显示出更高的研究间重复性 (ICC 0.91 至 0.95)（第一位观察员 ICC 0.82 至 0.88，第二位观察员 ICC 0.88 至 0.91）。DSC 在比较自动人工智能和手动 CMR 阅读器时显示出高度一致性。观察者 1 对观察者 2、自动测量对观察者 1 和自动测量对观察者 2 的最大 RA 面积平均值和标准差 (SD) DSC 指标分别为 92.4 ± 3.5 cm 2 、91.2 ± 4.5 cm 2 和 93.2 ± 3.2 cm 2 。观察者 1 对观察者 2、自动测量对观察者 1 和自动测量对观察者 2 的最小 RA 面积平均值和 SD DSC 指标分别为 89.8 ± 3.9 cm 2 、87.0 ± 5.8 cm 2 和 91.8 ± 4.8 cm 2 。自动 RA 面积测量均表现出中等相关性
一条后处理管道，用于在心脏磁共振成像中为机器学习算法准备原始数据
通过查看RAW文件中的元数据，SequenceName标签用于丢弃CINE图像，扫描序列标签以选择梯度召回和反转恢复技术（反转时间> 100 ms），序列为Variant标签，以丢弃稳态图像。术语，并去除轴向或冠状图像。扫描通过图像方向分组在一起（每组重新任务和最大元素数），并且只选择了最多的文件数量的组。最后，通过图像形状进行分组（要求一定数量的元素），并且只有具有最高分辨率的系列才能得到。然后，对于每个受试者，提取的串联由一个3D阵列（N，H，W）组成，n个切片数，以及（H，W）图像重新分配。属性在受试者之间不是均匀的。
表面等离子体共振 (SPR) 光谱和光子集成电路 (PIC) 生物传感器：比较综述
摘要：无标记直接光学生物传感器（如表面等离子体共振 (SPR) 光谱）已成为集中实验室生化分析的黄金标准。基于光子集成电路 (PIC) 的生物传感器基于相同的物理传感机制：衰减场传感。如果能够克服从研究实验室转移到工业应用的挑战，基于 PIC 的生物传感器可以在医疗保健中发挥重要作用，尤其是对于即时诊断。研究正处于这一门槛，这为卫生和环境领域的创新现场分析提供了巨大的机会。通过将创新的 PIC 技术与成熟的 SPR 光谱进行比较，可以更深入地了解它。在本文中，我们简要介绍了这两种技术，并揭示了它们的异同。此外，我们回顾了一些最新进展，并从表面功能化和传感器性能方面比较了这两种技术。
共振帕金森病指数中脑与脑桥比率，以及脑干结构的磁常态数据，
结果：测量不同脑干结构的内部和内部可靠性显示出良好至优秀的可靠性（组内相关系数 = 0.785 – 0.988）。脑桥面积、小脑中脚和小脑上脚宽度、中脑与脑桥比值和 MRPI 存在显著的性别差异（全部，P ，.001；Cohen D = 0.44 – 0.98），但中脑面积无差异（P = .985）。在男女两性中，几项脑干测量值与年龄、身高、体重和身体质量指数之间存在显著的非常弱至弱相关性。然而，没有发现由这些变量引起的分布的系统性差异，并且由于年龄具有最高和最一致的相关性，因此创建了脑干测量的年龄/性别特定百分位数。
用于 COVID-19 严重程度监测的表面等离子体共振成像 (SPRi) 和光子集成电路 (PIC)
摘要：直接光学检测方法，例如表面等离子体共振成像 (SPRi) 和基于光子集成电路 (PIC) 的生物传感器，可实时快速无标记检测 COVID-19 抗体。每种技术，即 SPRi 和 PIC，在吞吐量、小型化、多路复用、系统集成和具有成本效益的大规模生产方面都有优点和缺点。然而，这两种技术在传感机制方面有相似之处，都可以用作护理点或护理点附近的高含量诊断，其中分析物不仅被量化，而且被全面表征。这很重要，因为最近的结果表明，不仅三种同型 IgM、IgG 和 IgA 的抗体浓度，而且结合强度（亲和力）都可以指示潜在的 COVID-19 严重程度。具有高滴度低亲和力抗体的 COVID-19 患者与疾病严重程度有关。从这个角度来看，我们提供了一些见解，说明如何有效结合 SPR 和 PIC 技术并相互补充，以全面监测 COVID-19 严重程度。这为立即做出治疗决定开辟了一条途径，使患者在感染的早期阶段得到治疗，从而大大降低病情发展为严重阶段的风险。