XiaoMi-AI文件搜索系统
World File Search SystemScans
使用深度学习模型对 MRI 扫描进行脑肿瘤检测和分类
简介：人工智能 (AI) 的主要目标是开发具有类似人类行为和功能的计算机。采用人工智能的计算机活动不仅包括模式检测、规划和问题解决，还包含各种额外功能。方法：机器使用一组统称为“深度学习”的技术。磁共振成像 (MRI) 与深度学习方法结合使用，以开发能够有效识别和分类脑癌的模型。该技术有助于快速直接地检测脑癌。脑部问题主要源于脑细胞的异常增殖，导致脑结构发生有害改变，最终导致脑癌发展为恶性。早期发现脑肿瘤并采取有效干预措施可以降低死亡率。本文提出了卷积神经网络 (CNN) 架构，以使用磁共振 (MR) 图像有效检测脑癌。结果：本研究进一步研究了 ResNet-50、VGG16 和 Inception V3 等几种模型，并将所提出的架构与这些模型进行了比较。为了评估模型的有效性，我们评估了许多指标，包括准确率、召回率、损失和曲线下面积 (AUC)。在分析了几种模型并使用指定的指标将它们与建议的模型进行比较后，确定所提出的模型与其他模型相比表现出了更优异的性能。基于对 3265 张 MRI 图像数据进行的分析。结论：可以看出，CNN 模型的分类精度为 93.3%。此外，受试者工作特征曲线下面积 (AUC) 确定为 98.43%，而召回率为 91.19%。此外，该模型的损失函数得出的值为 0.25。基于与其他模型的比较分析，可以推断，所提出的模型在早期检测各种类型的脑癌方面具有很高的可靠性。
使用扩散模型增强多模态 MRI 扫描中的多发性硬化症病变分割
摘要 — 从磁共振成像 (MRI) 扫描中准确分割多发性硬化症 (MS) 病变对于临床诊断和有效治疗计划至关重要。在这项工作中，我们研究了扩散模型 (DM) 在实现 MS 病变像素分割方面的有效性。DM 显著提高了分割灵敏度，尤其是在具有细微异常的区域。我们使用来自公共数据集的磁共振体积进行了广泛的实验，涵盖了各种成像模式。我们的分析证明了 DM 如何实现与最先进技术相当的性能水平，平均 Dice 系数与现有最佳方法相当就是明证。此外，标准 DM 的一些变体在各种成像模式下都表现出稳健性，展示了其在临床环境中的多功能性。索引词 — 多发性硬化症、去噪扩散模型、病变分割、医学图像分析
SSNet：使用...对脑部 MRI 扫描进行协同分割
本文使用基于 U-Net 的 nnUNetv2 和基于 SAM 的 SAM-track 构建模型，用于学习脑 MRI 图像。NnUNetv2 是医学图像分割的最佳模型。因此，我们使用 nnUNetv2 作为基础模型。NnUNetv2 使用 nii.gz 文件（脑 MRI 数据格式），并通过 5 次交叉验证进行训练。如图 2 所示，使用 nnUNetv2 学习训练集并预测测试集。在运行 SAM-track 之前，执行后向和前向方法以创建脑 MRI 图像 mp4 文件。使用脑 MRI 图像 mp4 文件和 nnUNetv2 预测的病变掩模图像作为提示执行 SAM-track 模型。SAM-track 是基于 SAM 模型的跟踪器，使用 SAM 模型的预训练权重，无需微调。此方法适用于所有脑数据格式：adc、b0 和 b1000。执行 SAM-track 时，会在帧通过时跟踪多个对象，并且仅对最初指定的对象进行后处理。此外，由于结果是 2D 图像，因此最终将其合并为 3D 以完成最终任务。
深度学习范式及其对血管内超声扫描中冠状动脉壁分割的偏见：近距离外观
1个计算机科学与工程学院，加尔戈蒂亚斯大学，大诺伊达，201310年，印度； vandana.soni80@gmail.com（v.k.）; ksampathkumara@gmail.com（S.K.K.）2应用计算科学与工程系，G L Bajaj技术与管理学院，大诺伊达201310年，印度3印度贝纳特大学，贝尼特大学，大诺伊达大学，201310年，印度； Ashish.gupta14d@gmail.com 4 CMR工程技术学院CSE系，印度海得拉巴501401； sivaskandha@cmrcet.org 5印度Bhubaneswar 751003的IIT Bhubaneswar计算机科学与工程系； sanjay@iiit-bh.ac.in 6印度新德里110076的Indraprastha Apollo Hospitals心脏病学系； drnnkhanna@gmail.com 7 Heart and Vascular Institute，Addingist Health St. Helena，St Helena，CA 94574，美国； lairdjr@ah.org 8图形时代食品科学技术系，被视为大学，德拉登248002，印度； narpinders@yahoo.com 9美国爱达荷州州立大学电气和计算机工程系，美国ID 83209，美国； mfouda@ieee.org 10 Azienda Ospedaliero Universitaria放射科（A.O.U. ），09100 Cagliari，意大利； lucasabamd@gmail.com 11印度北阿兰奇大学北阿兰奇理工学院研究与创新部，印度248007； drrajeshsingh004@gmail.com 12 Stroke Diagnostics and Monitoring Division, AtheroPoint™, Roseville, CA 95661, USA 13 Department of Computer Science & Engineering, Graphic Era, Deemed to be University, Dehradun 248002, India 14 Monitoring and Diagnosis Division, AtheroPoint™, Roseville, CA 95661, USA * Correspondence: jasjit.suri@atheropoint.com;电话。 ： +（916）-749-56282应用计算科学与工程系，G L Bajaj技术与管理学院，大诺伊达201310年，印度3印度贝纳特大学，贝尼特大学，大诺伊达大学，201310年，印度； Ashish.gupta14d@gmail.com 4 CMR工程技术学院CSE系，印度海得拉巴501401； sivaskandha@cmrcet.org 5印度Bhubaneswar 751003的IIT Bhubaneswar计算机科学与工程系； sanjay@iiit-bh.ac.in 6印度新德里110076的Indraprastha Apollo Hospitals心脏病学系； drnnkhanna@gmail.com 7 Heart and Vascular Institute，Addingist Health St. Helena，St Helena，CA 94574，美国； lairdjr@ah.org 8图形时代食品科学技术系，被视为大学，德拉登248002，印度； narpinders@yahoo.com 9美国爱达荷州州立大学电气和计算机工程系，美国ID 83209，美国； mfouda@ieee.org 10 Azienda Ospedaliero Universitaria放射科（A.O.U.），09100 Cagliari，意大利； lucasabamd@gmail.com 11印度北阿兰奇大学北阿兰奇理工学院研究与创新部，印度248007； drrajeshsingh004@gmail.com 12 Stroke Diagnostics and Monitoring Division, AtheroPoint™, Roseville, CA 95661, USA 13 Department of Computer Science & Engineering, Graphic Era, Deemed to be University, Dehradun 248002, India 14 Monitoring and Diagnosis Division, AtheroPoint™, Roseville, CA 95661, USA * Correspondence: jasjit.suri@atheropoint.com;电话。： +（916）-749-5628
从头部CT扫描中对颅内出血的自动检测，在创伤性脑损伤中应用深度学习技术：比较审查
抽象的脑损伤（TBI）不仅是急性疾病，而且是长期后果的慢性疾病。颅内血肿被认为是INTBI发生的主要后果，并可能具有毁灭性的作用，可能会导致大脑质量影响，并最终导致继发性脑损伤。在计算机断层扫描（CT）扫描中对血肿的紧急检测以及三个主要决定因素的评估，即位置，体积和大小至关重要任务。本文对医学和技术文献进行了比较回顾，以更新和建立证据，以表明如何正确利用技术来提高紧急情况下临床工作流量的效率。从2013年至2023年在PubMed和Google Scholar的电子数据库中进行了系统和全面的文献搜索，以确定与颅内出血（ICH）自动检测有关的研究。纳入和排除标准被设定为最相关的文章。我们确定了15项有关使用头部CTSCAN的计算机辅助筛选和分析算法的开发和验证的研究。我们的审查表明，AI算法可以优先考虑放射学工作列表，以减少在头部扫描中筛选ICH的时间，并且还可以识别放射学家所忽略的微妙ICH，并且自动化ICH检测工具将有望在常规临床实践中引入介绍。
基于深度神经网络的计算机断层扫描检测脑肿瘤
摘要：脑肿瘤是最致命的疾病之一，对人类健康有许多影响。脑肿瘤是脑内或脑周围的异常细胞团或生长。它们并非都是癌症，因为它们可能是良性的或恶性的。医生使用各种诊断技术来评估良性或恶性脑肿瘤的存在，以及估计其大小、位置和生长速度。使用适当的诊断方式来提供完整的大脑视图以检测任何异常。应对脑部进行计算机断层扫描 (CT) 扫描以检查异常。CT 扫描的好处包括准确检测钙化、出血和骨骼细节，以及与磁共振成像 (MRI) 相比成本低。因此，我们研究了一种基于 CT 的检测方法，以确定是否存在脑肿瘤。所提出的方法适用于从曼苏拉大学医院收集的 CT 图像数据集。使用不同的预训练模型：VGG-16、ResNet-50 和 MobileNet-V2。对比结果，预训练模型 MobileNet-V2 尽管参数数量最少，但结果却更好。它的准确率为 97.6%，而其精确度、召回率和 F1 分数分别为 96%、95% 和 96%。
http://dx.doi.org/10.18576/isl/120433 基于深度神经网络的计算机断层扫描检测脑肿瘤
摘要：脑肿瘤是最致命的疾病之一，对人类健康有许多影响。脑肿瘤是脑内或脑周围的异常细胞团或生长。它们并非都是癌症，因为它们可能是良性的或恶性的。医生使用各种诊断技术来评估良性或恶性脑肿瘤的存在，以及估计其大小、位置和生长速度。使用适当的诊断方式来提供完整的大脑视图以检测任何异常。应对脑部进行计算机断层扫描 (CT) 扫描以检查异常。CT 扫描的好处包括准确检测钙化、出血和骨骼细节，以及与磁共振成像 (MRI) 相比成本低。因此，我们研究了一种基于 CT 的检测方法，以确定是否存在脑肿瘤。所提出的方法适用于从曼苏拉大学医院收集的 CT 图像数据集。使用不同的预训练模型：VGG-16、ResNet-50 和 MobileNet-V2。对比结果，预训练模型 MobileNet-V2 尽管参数数量最少，但结果却更好。它的准确率为 97.6%，而其精确度、召回率和 F1 分数分别为 96%、95% 和 96%。
经颅超声检查与计算机断层扫描对创伤性脑损伤患者中线移位的评估比较
背景：大脑中线移位 (MLS) 是通过计算机断层扫描 (CT) 成像诊断的重要临床发现，而经颅超声 (TCS) 可帮助在床边诊断 MLS 并促进干预以改善结果。该研究旨在发现基于 TCS 和 CT 的创伤性脑损伤 (TBI) 患者 MLS 评估之间的关联。患者和方法：我们纳入了所有中度至重度 TBI 的成年患者，不限性别，年龄在 18 至 65 岁之间，在 3 个月内接受全身麻醉下颅内手术。借助格拉斯哥昏迷量表 (GCS) 和格拉斯哥昏迷量表-瞳孔 (GCS-P) 评分评估意识。我们使用 CT 扫描和 TCS 计算 MLS。使用 Bland Altman 图以及 Pearson 和 Spearman 系数检验。结果：本研究共分析了 17 名患者。使用 TCS 时 MLS 为 0.52 ± 0.90 厘米，使用 CT 扫描时 MLS 为 0.58 ± 0.39 厘米。TCS 和 CT 成像测量的 MLS 差异的 Pearson 相关系数 (r2) 为 0.002 (p<0.05)。结论：经颅超声检查可以检测出 TBI 患者的 MLS，前提是 TCS 和 CT 扫描的 MLS 测量之间使用最小时间窗口。关键词：计算机断层扫描、超声检查、创伤性脑损伤。印度重症监护医学杂志 (2023)：10.5005/jp-journals-10071-24376
完善脑部扫描：新视野 - Philippe Ciuciu 1,2
缩短采集时间一直是高分辨率 MRI 面临的一大挑战，而压缩感知 (CS) 理论已成功解决了这一问题。然而，大多数傅里叶编码方案都对现有的 k 空间轨迹进行了欠采样，不幸的是，这些轨迹永远无法充分编码所有必要的信息。最近，我的团队通过提出用于快速 K 空间采样的扩散投影算法 (SPARKLING) 解决了这一关键问题，该算法用于 3 和 7 特斯拉 (T) [1,2] 下的 2D/3D 非笛卡尔 T2* 和磁化率加权成像。在演讲的前半部分，我将介绍这些进展，展示有趣的临床应用，并演示我们如何采用这种方法来解决 7T 下的高分辨率功能和代谢（钠 23 Na）MR 成像——这是一项非常具有挑战性的任务。此外，我将解释如何使用 SPARKLING 欠采样策略来内部估计静态 B0 场不均匀性，这是避免在校正由于这些不均匀性而导致的非共振伪影之前需要进行额外扫描的必要组成部分。
基于脑肌肉混合信号的机器人手臂控制系统
在本文中，使用了预先训练的FastAI CNN模型的RESNET152体系结构。RESNET152体系结构被视为基本模型，并通过修改后3层进行改进。密集的层，然后使用新层改善了软磁层和二进制跨膜片层。在此之后，改进了RESNET152深度学习模型，对从Kaggle和Brats2015收集的2个不同的脑数据集进行了培训。进行模型的微调。在DataSet-253和DataSet-205上进行验证时，改进模型的精度分别为97％和96％。与其他深度学习模型相比，改进的模型使用2个不同的大脑MRI数据集可获得最佳结果。图中给出了精度百分比比较。15下面。应用于增加MR