XiaoMi-AI文件搜索系统
World File Search SystemT1WI
用于常规临床实践中儿科大脑评估的超快MRI
目的：评估小儿患者超快脑磁共振成像（MRI）的可行性。材料和方法：我们回顾性地审查了194名0至19岁（中值10.2岁）的儿科患者，他们在2019年5月至2020年8月之间均接受过超快和常规脑MRI。超快MRI序列包括T1和T2加权图像（T1WI和T2WI），流体衰减的反转恢复（FLAIR），T2*加权图像（T2*WI）以及扩散加权侵袭性图像（DWI）。定性图像质量和病变评估是由两位盲人放射学家以5点李克特量表进行的，每种方案对T1WI，T2WI和FLAIR序列的病变计数和大小进行定量评估。Wilcoxon签名的秩检验和类内相关系数（ICC）分析用于比较。结果：超快MRI的等效图像对比度的总扫描时间为1分钟44秒，传统MRI为15分钟30秒。总体而言，超快MRI的图像质量低于常规MRI的平均质量得分，超过序列MRI的平均质量得分范围从2.0到4.8，跨序列的常规MRI的图像得分范围为4.8至5.0（T1WI，T2WI，T2WI，FLAIR，FLAIR，FLAIR和T2*WI的p <0.001 n.01 wi n.018 [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [reader 1] [3]相对于常规MRI，超快MRI的病变检测率如下：T1WI，97.1％； T2WI，99.6％； Flair，92.9％； T2*WI，74.1％；和DWI，100％。超快和常规MRI之间的病变大小测量的ICC（95％置信区间）如下：T1WI，0.998（0.996–0.999）； T2WI，0.998（0.997–0.999）;和Flair，0.99（0.985–0.994）。结论：超快MRI大大减少了扫描时间，并提供可接受的结果，尽管图像质量略低于常规MRI，以评估儿科患者的颅内异常。关键字：超快磁共振成像；减少扫描时间；图像质量；小儿大脑成像；回声平面成像
脑肿瘤放射基因组分类和...
2022年6月的机器学习（ML）型号。使用所有MRI序列（T1WI，T2WI，对比度增强（CE），Flair，DWI_B_HIGH，DWI_B_LOW和ADC）建立了第一种类型，而第二种类型是使用单个MRI序列建立的。结果使用最大相关性和最小冗余技术来基于所有序列找到ML模型的七个放射线特征。在训练和验证集中，预测精度分别为0.993和0.750，曲线下的面积（AUC）的面积分别为1.000和0.754。对于基于单个序列的ML模型，所选特征的数量为T1WI，T2WI，CE，CE，FLAIR，DWI_B_HIGH，DWI_B_LOW和ADC的8、10、10、13,9、7和6，分别为0.797〜1.000 〜1.000和0.583 〜0.583〜0.694
o r i g i n a l r e s a r c h分析多模式MRI图像中定量特征的值，用于构建用于乳房C
目的：分析多模式磁共振成像（MRI）图像中定量特征的诊断值，以构建用于乳腺癌的无线电摩学模型。方法：根据病理学发现，从2020年1月至2021年1月至2021年1月的95例患有乳房相关疾病的患者分为良性组（n = 57）和恶性组（n = 38）。所有病例均根据检查时间随机分为训练组（n = 66）和验证组（n = 29）（n = 29）。通过T1加权成像（T1WI），T2加权成像（T2WI），扩散加权成像（DWI），动态对比度增强（DCE）和明显的扩散系数（ADC）多模型MRI MRI，对所有受试者进行了检查。针对病理发现分析了MRI发现。构建了诊断性乳腺癌放射素学模型。分析了验证组中模型的诊断功效，并通过ROC曲线分析了诊断功效。结果：纤维肾上腺瘤占良性乳房疾病的49.12％，侵入性导管癌占恶性乳腺癌的73.68％。使用四倍方法，使用四倍的表方法，T1WI，T2WI，DWI，ADC和DCE在诊断乳腺癌中的敏感性为61.14％，66.67％，73.30％，78.95％和85.96％。用于诊断乳腺癌的T1WI，T2WI，DWI，ADC和DCE曲线下的面积分别为0.715、0.769、0.785、0.835和0.792。结论：多模式MRI图像中定量特征的构建无线电摩学模型对于乳腺癌的诊断很有价值。普通扫描，扩散，增强，普通扫描 +扩散，普通扫描 +增强，增强 +扩散的AUC和用于诊断乳腺癌的普通扫描 +增强 +弥漫性为0.746、0.798、0.816、0.816、0.839、0.839、0.890、0.890、0.906和0.906和0.92727。在诊断乳腺癌中，诸如普通扫描 +增强 +弥漫性之类的放射摩学模型的价值高于其他模型，并且可以广泛应用于临床实践。关键字：MRI，定量特征，成像组织学，模型，乳腺癌，诊断
影像组学结合机器学习方法鉴别脑泡型包虫病与脑转移瘤
方法对51例患者（其中室管膜瘤24例、髓母细胞瘤27例）的增强T1WI图像进行分析，提取了188个特征，包括直方图、形状特征和纹理特征。然后使用单变量分析、单变量分析筛选和多变量逻辑回归选择了66个特征。他们建立了四种机器学习模型——随机森林、支持向量机、自适应增强、K最近邻。当使用多元逻辑回归选择的特征进行随机森林时，获得了最高的AUC值（AUC = 0.91）。影像组学和机器学习方法的组合可以很好地区分儿童室管膜瘤和髓母细胞瘤，从而为医生的临床实践提供帮助。在我们的研究中，KNN分类器的AUC分别为0.97、0.94，准确率为0.86和
基于MRI的大脑体积模型的开发和验证预测早产新生儿的精神运动不良结果
在2012年1月至2019年12月之间出生的遣散儿童医院住院的早产新生儿被连续收集。纳入标准包括在1500 g下进行出生体重的婴儿，他们在校正年龄（CA）18-24个月（CA）的婴儿和幼儿发育第二版（BSID-II）评估均接受了茶MRI和Bayley量表第二版（BSID-II）。使用3D T1WI的TEA MRI，脑量信息源自婴儿FreeSurfer。内部胶囊后肢的分数各向异性的平均值和标准偏差。人口统计信息和合并症被用作临床信息。研究队列在训练和测试集中分配为7：3。随机森林和逻辑回归模型，以预测低精神运动指数（PDI <85）和低精神发展指数（MDI <85）。性能指标，包括接收器工作曲线（AUROC）下的面积，准确性，灵敏度，精度和F1分数，在测试集中评估。
基于MRI的大脑体积模型的开发和验证预测早产新生儿的精神运动不良结果
在2012年1月至2019年12月之间出生的遣散儿童医院住院的早产新生儿被连续收集。纳入标准包括在1500 g下进行出生体重的婴儿，他们在校正年龄（CA）18-24个月（CA）的婴儿和幼儿发育第二版（BSID-II）评估均接受了茶MRI和Bayley量表第二版（BSID-II）。使用3D T1WI的TEA MRI，脑量信息源自婴儿FreeSurfer。内部胶囊后肢的分数各向异性的平均值和标准偏差。人口统计信息和合并症被用作临床信息。研究队列在训练和测试集中分配为7：3。随机森林和逻辑回归模型，以预测低精神运动指数（PDI <85）和低精神发展指数（MDI <85）。性能指标，包括接收器工作曲线（AUROC）下的面积，准确性，灵敏度，精度和F1分数，在测试集中评估。
引用刘Q，Shao H，Liu C，Liu WV，Saeed A，Zhang Q，Lu J，Zhang G，Li L，Tang X，Du G和Zhu W（2023），脊柱Cor
宫颈脊柱骨髓病（CSM）是一种慢性压缩脊髓病变（Rao，2002； McCormick等，2003）。这是成年人中最常见的脊髓损伤形式，尤其是在老年患者中（McCormick等，2020）。在产生不可逆的脊髓损伤之前识别早期症状并提供有效的治疗非常重要（Edwards等，2003）。磁共振图像（MRI）通过可视化脊髓压缩的解剖学范围和脊髓内耗尽信号的变化而广泛用于CSM诊断（Takahashi等，1987; Al-Mefty等，1988; Ramanauskas et al。 1993; Shabani等人，2019年）。常规MRI通常包括T1和T2加权图像（T1WI和T2WI），可以提供椎骨，脊髓和周围软组织的高分辨率图像（Harkins等，2016）。然而，T1和T2信号强度的改变仍然限制了CSM早期阶段的诊断（Karpova等，2010）。需要一种敏感且可重复的成像技术来早期诊断和定量脊髓压缩。定量MRI可能是一种选择，因为T1映射显示了临床潜力（Maier等，2019; Maier等，2020），而T2和Proton密度（PD）映射很少有报道。合成MRI可以提供定量映射，包括T1，T2和PD映射以及多种对比度加权成像，例如T1-，T2加权图像，同时（Warntjes等，2008）。合成MRI技术已在许多区域广泛使用，并且在大脑，骨骼，骨骼，乳房，前列腺和腰椎椎间盘变性中表现出良好的诊断性能（Hagiwara等，2017; Cui et al。，2020; liu et al。据我们所知，CSM患者没有合成MRI的应用。因此，我们的研究旨在探索
时间重复变化对脑部 MRI T2 加权序列成像质量的影响
摘要：磁共振成像 (MRI) 是一种利用强磁场产生人体各部位图像的成像技术。通常进行的检查是脑部检查。这项研究是在巴厘岛曼达拉医院进行的。为了了解大脑的状况，可以进行 MRI 检查。MRI 可以产生称为序列的图像，这些序列产生 T1 加权图像 (T1WI)、T2 加权图像 (T2WI)，从而产生具有不同强度的可见图像。为了获得 T2WI，时间回波 (TE) 和时间重复 (TR) 必须很长，以使脂肪和水有机会衰减，这样脂肪和水的对比度才能很好地显现出来。这项研究旨在确定 TR 变化对 SNR 值的影响，并确定最佳 TR 以产生良好的图像值。在脑部 MRI 上生成 T2WI SNR。这个街头小贩活动使用了 Phillips 1.5 特斯拉型 MRI 飞机。数据收集自20名患者，TR值有3种变化，分别为3,500毫秒、5,500毫秒和7,500毫秒，总共获取了60张图像。通过直接在MRI设备上测量ROI来评估组织SNR值。对脑脊液（CSF）组织、脊髓进行SNR值分析。依次获得的SNR值在CSF组织中为174.24、211.22和244.51，在脊髓组织中为78.53、80.64和84.81。这个街头小贩活动表明，给出的TR值越长，SNR值就会增加。这是因为长TR值能够在更多切片中评估网络并提供更好的噪声信号值。7,500毫秒的TR变化可以产生最高的SNR值，从而得到的图像非常好。
基于整体学习的放射素学模型，用于区分胶质母细胞瘤的脑转移
目的：术前脑转移（BM）和胶质母细胞瘤（GBM）之间的区分由于它们在常规脑MRI上的相似成像特征，因此在术前具有挑战性。这项研究旨在通过基于MRI放射学数据的机器学习模型来增强诊断能力。方法：这项回顾性研究包括235例确认孤立性BM和273例GBM患者。患者被随机分配到培训（n = 356）或验证（n = 152）队列中。获得了传统的大脑MRI序列，包括T1加权成像（T1WI），对比-Enhanced_T1WI和T2加权成像（T2WI）。在所有三个序列上都描绘了脑肿瘤并分段。从人口统计学，临床和放射线数据中选择了特征。一个集成的集成机器学习模型，即弹性回归SVM-SVM模型（ERSS）和组合人口统计学，临床和放射线数据的多变量逻辑回归（LR）模型是用于预测性建模的。使用歧视，校准和决策曲线分析评估模型效率。此外，使用由47例GBM患者和43例孤立BM患者组成的独立队列进行外部验证，以评估ERSS模型的推广性。Results: The ERSS model demonstrated more optimal classification performance (AUC: 0.9548, 95% CI: 0.9337 – 0.9734 in training cohort; AUC: 0.9716, 95% CI: 0.9485 – 0.9895 in validation cohort) as compared to the LR model according to the receiver operating characteristic (ROC) curve and decision curve for the internal cohort.外部验证队列的最佳性能较低但仍然稳健（AUC：0.7174，95％CI：0.6172 - 0.8024）。具有多个分类器的集成的ERSS模型，包括弹性网，随机森林和支持向量机，产生了可靠的预测性能，并且表现优于LR方法。结论：结果表明，集成的机器学习模型，即ERSS模型，具有有效，准确的BM与GBM的术前分化的潜力，这可能会改善临床决策和脑肿瘤患者的结果。