XiaoMi-AI文件搜索系统
World File Search SystemT1W
临床数据仓库的大脑T1加权磁共振图像的自动质量控制
图1：来自临床数据仓库和Correponding标签的T1W脑图像的示例。a1：质量高的图像（第1层），没有gadolinium； A2：质量高（第1层），带有Gadolinium； B1：中等质量（第2层），没有Gadolinium（噪声1级）； B2：中等质量（第2层），带有Gadolinium（对比1级）； C1：不良质量（第3层），没有gadolinium（对比2级，运动2级）； C2：不良质量（第3层），gadolinium（对比2级，运动级1级）； D1：笔直排斥（分段）； D2：直接拒绝（裁剪）。
人类连接组项目寿命衰老和开发研究的动脉自旋标记灌注MRI分析
图4：管道生产的工作台场景，以评估注册和掩盖精度。分别通过细绿色和蓝色线条显示了自由表面的白色和曲面。ASL体积脑面膜轮廓显示在洋红色中。白色盒子表示ASL获取的视野，转变为ASL网格的T1W空间。青色线（在矢状视图中在小脑的底部看到）表示位于视野外的ASL脑面膜的一部分。Greyscale中的基本图像是完整335
从多磁性...
摘要背景：脑肿瘤细分在诊断和治疗计划方面有很大贡献。手动脑肿瘤描述是一项耗时且乏味的任务，并且根据放射科医生的技能而有所不同。自动化的脑肿瘤分割非常重要，并且不依赖于观察间或观察到。这项研究的目的是使从流体累积的反转恢复（FLAIR），T1加权（T1W），T2加权（T2W）和T1W对比（T1W对比度（T1CE）对比（T1CE）磁性结合（MR）序列的最高准确性或在MR上的组合，从而使MR的最高序列或pocorm pocol to pocol to pocol to pocol compoy 其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。结论：FLAIR MR序列被认为是单个MR序列上肿瘤分割的最佳选择，而整个四个MR序列的关节分割将产生较高的肿瘤描述准确性。
小儿脑肿瘤分类，使用年龄融合的MR形象深入学习
目的：实施和评估MR数据中小儿脑肿瘤分类的基于深度学习的方法。材料和方法：回顾性使用“儿童脑肿瘤网络”数据集的子集（n = 178个亚基，女性= 72，男性= 102，na = 4，年龄范围[0.01，36.49]年），肿瘤类型是低级星形瘤（n = 84），epcentymoma（n = 84），epcentymoma（n = 32），以及n = 32），以及。T1W后对比（n = 94个受试者），T2W（n = 160个受试者）和ADC（n = 66个受试者）MR序列分别使用。在显示肿瘤的横向切片上训练了两个深度学习模型。联合融合以结合图像和年龄数据，并使用了两个预训练范例。使用梯度加权类激活映射（GRAD-CAM）研究了模型解释性，并使用主成分分析（PCA）可视化学习的特征空间。Results : The highest tumor-type classification performance was achieved when using a vision transformer model pre-trained on ImageNet and fine-tuned on ADC images with age fusion (MCC: 0.77 ± 0.14 Accuracy: 0.87 ± 0.08), followed by models trained on T2w (MCC: 0.58 ± 0.11, Accuracy: 0.73 ± 0.08) and T1w post-contrast (MCC: 0.41±0.11，精度：0.62±0.08）数据。年龄融合略微改善了模型的性能。两种模型架构在整个实验中都相似地执行，训练策略之间没有差异。grad-cams表明，模型的注意力集中在大脑区域。PCA显示出更大的分离肿瘤型簇。结论：可以使用深度学习来完成对MR形象的小儿脑肿瘤的分类，其中最佳表现模型接受了ADC数据的培训，放射科医生将其用于这些肿瘤的临床分类。
使用深度学习对胶质母细胞瘤患者进行全自动脑切除腔描绘以定义放射靶体积
背景：自动脑肿瘤分割方法是一种计算算法，可从多模态磁共振成像 (MRI) 中勾画出肿瘤轮廓。我们介绍了一种使用深度学习 (DL) 技术对多形性胶质母细胞瘤 (GBM) 患者的切除腔 (RC) 进行自动分割的方法及其结果。方法：纳入 30 名 GBM 患者的术后、有无造影的 T1w、T2w 和液体衰减反转恢复 MRI 研究。三位放射肿瘤学家手动勾画了 RC 以获得参考分割。我们开发了一种 DL 腔分割方法，该方法利用所有四个 MRI 序列和参考分割来学习执行 RC 勾画。我们根据 Dice 系数 (DC) 和估计体积测量值评估了分割方法。
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
![arXiv:2209.07162v1 [eess.IV] 2022 年 9 月 15 日 - UCL Discovery](/simg/9\9ab78f982675c2568ba85e311a07e3e5528c4c07.webp)
arXiv:2209.07162v1 [eess.IV] 2022 年 9 月 15 日 - UCL Discovery
摘要。深度神经网络在医学图像分析方面取得了显著突破。然而，由于其数据量巨大，医学成像项目中的适度数据集大小可能会阻碍其全部潜力的发挥。生成合成数据提供了一种有前途的替代方案，可以补充训练数据集并开展更大规模的医学图像研究。扩散模型最近通过生成逼真的合成图像引起了计算机视觉界的关注。在本研究中，我们探索使用潜在扩散模型从高分辨率 3D 脑图像生成合成图像。我们使用来自英国生物库数据集 (N=31,740) 的 T1w MRI 图像来训练我们的模型，以了解脑图像的概率分布，这些分布以年龄、性别和脑结构体积等协变量为条件。我们发现我们的模型创建了逼真的数据，并且我们可以使用条件变量有效地控制数据生成。除此之外，我们还创建了一个包含 100,000 张大脑图像的合成数据集，并将其公开给科学界。
结合多视角信息增强多模态 MRI 数据的特征表示，实现 MCI 分类
轻度认知障碍 (MCI) 是阿尔茨海默病的早期阶段，与大脑结构和功能变化有关，其分类仍然是一项具有挑战性的任务。最近的研究表明，通过结合多种结构和功能特征（例如灰质体积和聚类系数）有望提高 MCI 分类的性能。然而，提取哪些特征以及如何组合多种特征来提高 MCI 分类的性能一直是一个具有挑战性的问题。为了解决这些问题，在本研究中，我们提出了一种新方法，通过结合多视图信息来增强多模态 MRI 数据的特征表示，以提高 MCI 分类的性能。首先，我们基于自动解剖标记 (AAL) 图谱从每个受试者的 T1w MRI 和 rs-fMRI 数据中提取每个皮质大脑区域的两个结构特征（包括灰质体积和皮质厚度）和两个功能特征（包括聚类系数和最短路径长度）。然后，为了获得更有助于区分 MCI 受试者的特征，提出了一种改进的多任务特征选择方法，即 MTFS-gLASSO-TTR。最后，采用多核学习算法将多个特征组合起来执行 MCI 分类任务。我们针对来自阿尔茨海默病神经影像计划 (ADNI) 数据库的 315 名受试者（包括 105 名 LMCI 受试者、105 名 EMCI 受试者和 105 名 NC）评估了我们提出的 MCI 分类方法，这些受试者的 T1w MRI 和 rs-fMRI 数据均来自阿尔茨海默病神经影像计划 (ADNI) 数据库。实验结果表明，我们提出的方法对 LMCI/NC 分类的准确率为 88.5%，受试者工作特征 (ROC) 曲线下面积 (AUC) 为 0.897，对 EMCI/NC 分类的准确率为 82.7%，AUC 为 0.832，对 LMCI/EMCI 分类的准确率为 79.6%，AUC 为 0.803。此外，通过比较，我们提出的方法在 MCI 分类中的准确率和 AUC 值优于一些现有的最先进方法。总的来说，我们提出的 MCI 分类方法是有效的，并且有望在临床实践中用于 MCI 的自动诊断。