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。
表征胸部CT扫描条件潜在扩散
摘要。这项研究深入研究了用于用于胸部CT扫描的潜在扩散模型的合成肺结节的表征。我们的实验涉及通过二进制掩码进行定位和各种结节属性引导扩散过程。特别是，掩码指示结节在边界框的形状中的近似位置，而其他标量属性则在嵌入向量中编码。扩散模型在2D中运行，在推理过程中产生单个合成CT切片。该体系结构包括一个VQ-VAE编码器，以在图像和潜在空间之间进行转换，以及负责DeNoising过程的U-NET。我们的主要目标是评估合成图像的质量，这是条件属性的函数。我们讨论可能的偏见以及模型是否充分定位并表征合成结节。我们对拟议方法的能力和局限性的发现可能是涉及有限数据集的下游任务，因为医学成像通常是这种情况。
ai-corona：用于胸部 CT 扫描中 COVID-19 诊断的放射科医生助理深度学习框架
1 伊朗德黑兰基础科学研究所 (IPM) 计算机科学学院 2 伊朗德黑兰沙希德贝赫什提大学医学科学与技术研究所 3 伊朗德黑兰沙希德贝赫什提大学物理系伊本西纳多学科实验室 4 伊朗德黑兰沙希德贝赫什提大学物理系 5 伊朗德黑兰伊朗科学技术研究组织 (IROST) 电气工程与信息技术系 6 伊朗德黑兰沙希德贝赫什提大学计算机科学与工程系 7 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 气管疾病研究中心 8 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 慢性呼吸道疾病研究中心9 伊朗德黑兰沙希德贝赫什提医科大学国家结核病和肺部疾病研究所 (NRITLD) 病毒学研究中心 10 伊朗设拉子医科大学放射学系医学成像研究中心
ai-corona：用于胸部 CT 扫描中 COVID-19 诊断的放射科医生助理深度学习框架
1 伊朗德黑兰基础科学研究所 (IPM) 计算机科学学院 2 伊朗德黑兰基础科学研究所 (IPM) 脑工程研究中心 3 伊朗德黑兰沙希德贝赫什提大学物理系伊本西纳多学科实验室 4 伊朗德黑兰沙希德贝赫什提大学物理系 5 伊朗德黑兰伊朗科学技术研究组织 (IROST) 电气工程与信息技术系 6 伊朗德黑兰沙希德贝赫什提大学计算机科学与工程系 7 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 气管疾病研究中心 8 伊朗德黑兰沙希德贝赫什提医科与健康服务大学国家结核病和肺部疾病研究所 (NRITLD) 慢性呼吸道疾病研究中心伊朗 9 伊朗德黑兰沙希德贝赫什提医科大学国家结核病和肺部疾病研究所 (NRITLD) 病毒学研究中心 10 伊朗设拉子医科大学放射学系医学成像研究中心
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
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
明尼苏达大学明尼苏达超级计算研究所 1 ；明尼苏达大学共济会大脑发育研究所 2 ；圣路易斯华盛顿大学神经病学、儿科学、放射学和精神病学系 3 ；北卡罗来纳大学教堂山分校精神病学系 4 ；芝加哥大学心理学系 5 ；密歇根大学 6 ；PrimeNeuro 7 ；俄勒冈健康与科学大学 8 ；明尼苏达大学神经病学系 9 ；明尼苏达大学儿童发展研究所 10 ；明尼苏达大学儿科学系 11 ；明尼苏达大学放射学系 12 ，明尼苏达大学磁共振研究中心 13 ，乔治城大学大脑可塑性和恢复中心 14
基于二维区域生长的头部 MRI 扫描颅骨剥离
2 pkalavathi.gri@gmail.com 摘要 — 颅骨剥离是从 MR 脑图像中分割脑部分的过程。它是许多神经图像研究中的重要图像处理步骤。在本文中，我们提出了一种基于 2D 区域增长的用于人体头部扫描磁共振图像 (MRI) 的新型颅骨剥离方法。这是一种从 T1、T2 和 PD 加权 MR 图像中分割脑部分的全自动方法。所提出的方法包括两个主要过程。首先，我们提取中间切片中的脑部分，然后提取剩余切片中的脑。在该方法中，首先处理脑图像的二进制形式以找到粗糙的脑部。然后通过使用 2D 区域增长方法检测粗糙脑部中的细小脑区。在粗糙脑部内部定义一个圆圈来选择区域增长的种子点。我们利用相邻切片的几何相似性来提取剩余切片中的脑部分。所提出的方法可在 T1、T2 和 PD 加权图像中准确提取脑部。实验结果表明，该方法比BET和BSE方法更准确地提取脑部部分。关键词——颅骨剥离，区域生长，磁共振图像（MRI），分割
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
明尼苏达大学明尼苏达超级计算研究所 1 ；明尼苏达大学共济会大脑发育研究所 2 ；圣路易斯华盛顿大学神经病学、儿科学、放射学和精神病学系 3 ；北卡罗来纳大学教堂山分校精神病学系 4 ；芝加哥大学心理学系 5 ；密歇根大学 6 ；PrimeNeuro 7 ；俄勒冈健康与科学大学 8 ；明尼苏达大学神经病学系 9 ；明尼苏达大学儿童发展研究所 10 ；明尼苏达大学儿科学系 11 ；明尼苏达大学放射学系 12 ，明尼苏达大学磁共振研究中心 13 ，乔治城大学大脑可塑性和恢复中心 14
Vision Mamba：具有3D MRI扫描的阿尔茨海默氏病的尖端分类
抽象分类3D MRI图像以早期检测阿尔茨海默氏病是医学成像中的关键任务。使用卷积神经网络（CNN）和变形金刚在该领域面临重大挑战的传统方法。cnns虽然有效地捕获本地空间特征，但要与远程依赖关系挣扎，并且通常需要大量的计算资源来获得高分辨率3D数据。变形金刚在捕获全局上下文方面表现出色，但在推理时间的二次复杂性却需要大量记忆，因此对于大规模的3D MRI数据而言，它们的效率降低了。为了解决这些局限性，我们建议使用Vision Mamba（一种基于状态空间模型（SSM）的高级模型（SSM），以对3D MRI图像进行分类以检测阿尔茨海默氏病。Vision Mamba利用动态状态表示和选择性扫描算法，从而使其能够有效地捕获和保留3D卷的重要空间信息。通过基于输入特征动态调整状态过渡，Vision Mamba可以选择性保留相关信息，从而导致3D MRI数据的更准确和计算有效的处理。我们的方法结合了培训期间卷积操作的可行性质，并在推断过程中进行了有效的，经常性的处理。此体系结构不仅提高了计算效率，而且还提高了模型处理3D医学图像中长期依赖关系的能力。实验结果表明，Vision Mamba的表现优于传统的CNN和变压器模型的准确性，这使其成为使用3D MRI数据早期检测阿尔茨海默氏病的有前途的工具。