XiaoMi-AI文件搜索系统
World File Search SystemSSIM
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
利用 3D 压缩感知 SENSE 低秩 1H FID-MRSI 进行全脑高分辨率代谢物映射
图 2 顶部，3D FID-MRSI 重建代谢物体积，具有回顾性加速。完全采样采集（无加速）在 70 分钟内完成，加速因子对应于 k 空间欠采样并相应地减少采集时间（例如 3，24 分钟；6，12 分钟）。彩色图针对从 0 到第 95 个百分位数的每个代谢物范围单独缩放。底部，在所有加速因子下相对于未加速结果为每个代谢物图计算的归一化 RMSE 和 SSIM。显示了来自两个不同位置的样本光谱，它们随加速度（无、3、5）的变化很小。LCModel 拟合与拟合残差一起显示。左下方，整个大脑平均残差的 RMS 随加速度保持不变
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
QIAD：二次插值近似分数
摘要计算性能与功耗之间的平衡是计算系统中的关键限制，集成电路技术带有瓶颈。近似计算可以将准确性或误差方案的功率改善进行权衡。分裂具有很高的计算需求和延迟，是计算效率的瓶颈。我们提出了一个基于乘法性能的二次插值近似分隔线（QIAD），该分裂具有较高的统计性能。在TSMC 65NM过程中模拟和合成该设计，并根据图像颜色量化进行了测试，显示了使用诸如PSNR，MSE和SSIM等评估指标的最佳量化效果。关键词：近似计算，分隔线，硬件设计。分类：集成电路（逻辑）
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
通过扩散来增强皮肤镜损伤的分割...
图像综合方法，例如生成对抗性网络，已成为医学图像分析任务中数据增强的一种形式。克服公共访问数据和提出质量注释的短缺主要是有益的。然而，当前技术通常缺乏对产生的疾病中详细内容的控制，例如疾病模式的类型，病变的位置以及诊断的属性。在这项工作中，我们在生成模型（即扩散模型）中适应了lat-est Advance，并使用使用特异性的视觉和文本提示来生成皮肤镜图像，并使用添加的控制流。我们进一步证明了基于扩散模型的框架比古典生成模型的优势在图像质量和提高皮肤病变上的分割性能方面的优势。它可以使SSIM图像质量度量增加9％，而骰子系数比以前的艺术增加了5％。
Div de-Novo驯化用于提高农作物的盐耐受性
摘要目的：多发性磁共振（MR）图像的存在增加了可用于诊断和治疗脑癌患者的临床信息水平。但是，获取完整的多元图像MR图像的完整集并不总是可行的。在这项研究中，我们开发了一种最先进的深度学习卷积神经网络（CNN），用于跨三个标准的MRI对比度，用于大脑的三个标准MRI对比度。方法：在本研究中使用了477例临床诊断患有神经胶质瘤脑癌的477例患者的BRATS'2018 MRI数据集，每位患者患有T1加权（T1），T2加权（T2）和FLAIR对比度。分别将其分别分为64％，16％和20％，分别为培训，验证和测试集。我们开发了一个U-NET模型，以学习与三个MRI对比度的目标图像对比的源图像的非线性映射。使用于点误差（MSE）成本函数，0.001学习率的ADAM优化器和120个时期，批次大小为32。通过计算MSE，平均绝对误差（MAE），峰值信噪比（PSNR）和结构相似性指数（SSIM）来评估生成的合成MR图像。结果：与我们的模型一起生成的合成-MR图像几乎与测试数据集上的真实图像有关所有翻译的区别，除了合成的素质图像的质量略低，并且显示出细节的丢失。我们的结果与Brats数据集上其他深度学习模型的最佳报告结果一样好。六个翻译中平均PSNR，MSE，MAE和SSIM值的范围分别为29.44–33.25 dB，0.0005–0.0012，0.0086–0.0149和0.932–0.946。结论：我们的U-NET模型表明，它可以在跨大脑MRI对比度上准确地执行图像图像翻译。由于多重激发MRIS的可用性，这种方法可能在改善临床决策和更好地诊断脑癌患者的临床使用方面具有很大的希望。这种方法可能在临床上相关，并设定明显的步骤以有效地填充没有其他MR序列的缺乏空隙。
深度学习的投影空间实施 -
我们的目的是评估低剂量（LD）PET图像和辛图中的全剂量（FD）PET图像合成的性能，而无需使用深度学习技术牺牲诊断质量。方法：回顾性使用140例患者的临床脑PET/CT研究。从FD列表模式PET数据中随机选择了5％的事件，以模拟现实的LD采集。促进了一个修改的3维U-NET模型，以分别从相应的LD辛图和图像中预测图像空间（PIS）中的投影空间（PSS）和FD图像中的FD曲目。使用5分评分方案评估了2个核医学专家的预测PET图像的质量。使用已建立的指标进行定量分析，包括峰值信噪比（PSNR），结构相似性指数指标（SSIM），区域性SUV偏置以及83个大脑区域中的第一，第二和高阶纹理放射线特征，用于测试和评估数据集中的83个大脑区域。结果：所有PSS图像均由核医学专家评分4或更高（良好至优秀）。PSNR和SSIM值分别为0.96±0.03和0.97±0.02，PSS分别获得了31.70±0.75和37.30±0.71的值。在所有大脑区域中计算出的平均SUV偏置分别为PSS和PI分别为0.24％±0.96％和1.05％±1.44％。与参考FD图像相比，PSS的平淡 - Altman图报告了PSS的最低SUV BI- AS（0.02）和方差（95％的置次间隔，-0.92至1 0.84）。PIS和PSS分别属于灰级共振矩阵类别的同质性放射线特征的相对误差分别为-1.07±1.77和0.28±1.4。结论：定性评估和定量分析表明，FD PET PSS提高了性能，从而提高了图像质量，而SUV偏置和方差较低，而SUV PET和差异要比FD PET PIS。
DNA图像存储的深关节源通道编码
摘要 - 在当前时代，基于脱氧核糖核酸（DNA）的数据存储是一种有趣的方法，具有实质性的学术兴趣和研究。本文介绍了一种新型的DNA图像存储的新型深关节源通道编码（DJSCC）方案，称为DJSCC-DNA。该范式通过三个关键修改将自己与常规的DNA存储技术区分开：1）它采用先进的深度学习方法，采用卷积神经网络来编码和解码过程； 2）它无缝将DNA聚合酶链反应（PCR）扩增整合到网络体系结构中，从而增强了数据恢复精度； 3）它通过针对优化的生物学约束来重组损失函数。通过特定的通道测试的数值结果证明了所提出的模型的表现，这表明它超过了传统的深度学习方法，从峰值信号 - 噪声比率（PSNR）和结构相似性指数（SSIM）方面。此外，该模型可有效确保对均聚物运行长度和GC含量的积极约束。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。