XiaoMi-AI文件搜索系统
World File Search SystemT2w
儿童期T1W/T2W比率发展的个体差异
宾夕法尼亚大学，宾夕法尼亚州宾夕法尼亚大学的心理学系，美国宾夕法尼亚大学神经科学系，美国宾夕法尼亚州费城，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州华盛顿大学，美国圣路易斯的华盛顿大学。美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州生物工程系，宾夕法尼亚州费城宾夕法尼亚大学工程与应用科学学院，美国宾夕法尼亚州宾夕法尼亚大学，宾夕法尼亚州费城大学，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚大学宾夕法尼亚州电气与系统工程系，美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学佩雷曼医学院，美国宾夕法尼亚州费城，宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学医学院的神经病学系
使用定量磁化率映射对丘脑中心核进行成像
中央核 (CM) 是丘脑板内核，被认为是深部脑刺激 (DBS) 和消融手术治疗多种神经和精神疾病的潜在有效靶点。然而，CM 的结构在标准 T1 和 T2 加权 (T1w 和 T2w) 磁共振图像上是不可见的，这妨碍了它作为临床应用的直接 DBS 靶点。本研究的目的是展示如何使用定量磁化率映射 (QSM) 技术对丘脑区域内的 CM 进行成像。本研究纳入了 12 名患有帕金森病、肌张力障碍或精神分裂症的患者。在 3-T MR 扫描仪上获取 3D 多回波梯度回忆回波 (GRE) 序列以及 T1w 和 T2w 图像。QSM 图像是根据 GRE 相位数据重建的。在 T1w、T2w 和 QSM 图像上对 CM 进行了直接目视检查。此外，使用单因素方差分析 (ANOVA) 检验比较了 T1w、T2w 和 QSM 图像上 CM 与丘脑相邻后部的对比噪声比 (CNR)。QSM 显著改善了 CM 核的可视化。在 QSM 上可以观察到与周围环境相比 CM 的清晰轮廓，但在 T1w 和 T2w 图像上则未观察到。统计分析表明，QSM 上的 CNR 明显高于 T1w 和 T2w 图像上的 CNR。总之，我们的结果表明 QSM 是一种有前途的技术，可改善 CM 的可视化，作为 DBS 手术的直接靶向。
人类和猕猴皮质各层级和深度的髓鞘形成
图 1. 猕猴和人类皮质层级和深度的 T1w/T2w 比率。（A、B）用于评估猕猴（A）和人类（B）皮质区域和深度的 T1w/T2w 比率的分析方法示意图。左侧面板显示猕猴的 CHARM 6 级 27,28 和人类的 Schaefer 400 29 的离散块。中间面板根据猕猴的测地线距离或人类的感觉运动关联轴标记块，颜色从黄色（感觉运动）过渡到紫色（关联）。右侧面板可视化层状组织，颜色从深蓝色（深层）过渡到浅绿色（浅层）。 (C、D) 猕猴 T1w/T2w 比值沿测地距离的分布（C，R 2 = 0.096，P < 0.001）和人类感觉运动联想 (SA) 轴的分布（D，R 2 = 0.354，P < 0.001）。 (E、F) 猕猴 (E) 和人类 (F) 感觉运动、中部和联想区域内皮质深度方向的 T1w/T2w 比值；方差分析 *** P < 0.001。
应用于新生儿大脑MRI分割的合成学习的综合分析
图4（a）在GT_DRAWEM和从T2W或T1W的SynthMotinh模型之间计算出的骰子分数的所有主题的分布，对于不同的结构。（b）从Synthmotinh模型预测计算出的GM体积的散点图。y轴预测是由T2W体积和T1W体积的X轴进行的。（c）跨不同方法的视觉观察的说明。地面真相标签（gt_drawem）以绿色显示，预测为红色。蓝色箭头指示与T1W图像有关GT的可见未对准区域。红色箭头指示预测中的局部错误。（d）预测GM标签（蓝色）和GM GT（橙色）中T1W和T2W图像强度的直方图。
用于动物研究的 FSL 高级分析
Paul Flechsig (1847-1929) Von Bonin 编辑于 1950 • 髓鞘丰富的区域，包括躯体感觉运动、听觉、视觉功能的“早期区域”。• 髓鞘稀少的区域，涉及“高级认知”功能。• T1w/T2w 髓鞘与组织学证实的分布相当 - Flechsig 1921, Hopf 1956
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。
深层古生物学和DNA存活的极限
摘要恶性神经胶质瘤的渗透性会导致活性肿瘤扩散到周围的水肿中，即使在对比度注射后，在常规磁共振成像（CMRI）中也不可见。MR弛豫计（QMRI）测量弛豫率取决于组织特性，并可以提供其他对比机制，以突出非增强的浸润性肿瘤。在考虑深度学习的脑肿瘤检测和分割，术前常规（T1W次和对比度，T2W和FLAIR）以及定量（对比前和后对比度r 1，r 2和Proton密度）中，从23个典型的RADI中获得了一名典型的RADI，与CMRI数据相比，与CMRI序列相比是否提供了其他信息。在考虑基于深度学习的脑肿瘤检测和分割，术前常规（T1W per和Contyptrast和Contypontast，T2W和FLAIR），T2W和FLAIR）以及定量（前后和后对比度R 1，R 2和Proton MINID）MR研究中获得了23个典型的RADI较高的RADI，则获得了GREN。2D深度学习模型对使用CMRI或QMRI进行了横向切片（n = 528）的培训（n = 528），以进行肿瘤检测和分割。此外，对定量r 1和r 2的趋势通过模型解释方法与肿瘤检测相关的区域速率进行了定性分析。肿瘤检测和分割性能，用于对比前和对比后训练的模型最高（检测MATTHEWS相关系数（MCC）= 0.72，分割骰子相似系数（DSC）= 0.90），但是与CMRI相比，差异并不统计具有统计学意义。对使用模型识别的相关区域进行的总体分析表明，在CMRI或QMRI上训练的模型之间没有差异。查看各个病例时，注释以外的大脑区域的松弛率与肿瘤检测相关，在大多数情况下类似于注释中的区域类似的对比注射后显示出变化。总而言之，对QMRI数据培训的模型获得了与接受CMRI数据训练的模型相似的检测性能和分割性能，并在类似的扫描时间内定量测量脑组织性能。在考虑单个患者时，通过模型确定的区域的放松率分析表明，基于CMRI的肿瘤注释以外存在浸润性肿瘤。
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。
大鼠 Chiari 样畸形的手术建模
在人类医学中， Chiari 畸形包括一组影响后颅窝和颅颈交界处的多种畸形。 这些畸形的特征是小脑扁桃体突出于枕骨大孔下方，有时伴有不同程度的下降到脑干 [ 1 ]。 与 Chiari 1 型类似，在小型犬中发现的最常见的 Chiari 畸形类型被国际兽医工作组命名为 Chiari 样畸形 (CLM) [ 1 ]。 由于颅骨和颅颈交界处的形态畸形导致 CLM 的尾颅窝 (CCF) 相对较小，导致 CCF 体积与脑实质不一致 [ 2 , 3 ]。这种差异造成了 CCF 拥挤，使小脑通过枕骨大孔向尾部移位 [2-4]。由于颅骨功能不全导致的小脑疝与继发性脊髓空洞症 (SM) 有关，因为它会改变正常的脑脊液 (CSF) 流动，而这种改变是由于背部颅颈蛛网膜下腔阻塞和脊髓扭结所致 [5, 6]。磁共振成像 (MRI) 是 CLM 诊断的金标准，它通过 T1 加权 (T1W) 和 T2 加权 (T2W) 矢状面和横向成像来评估大脑和颈部的线性和体积变化 [2, 6]。矢状面 T2W 图像是最有价值的序列 [5]。诊断是通过识别异常发现来进行的，例如小脑尾部疝、枕骨发育不良导致的小脑尾部受压以及脑脊液衰减 [ 2 , 5 ]。由于缺乏明确的病理机制和治疗方法，Chiari 畸形对人类和兽医研究提出了重大挑战。此外，缺乏通过获得性手段在实验动物中诱发 CLM 的方法。特别是据我们所知，目前还没有已知的诱发 CLM 的方法。由于缺乏适合实验研究的动物模型，目前的状况更加糟糕，阻碍了对 Chiari 畸形病理机制的深入了解并阻碍了有效治疗策略的制定。因此，本研究旨在通过介绍大鼠 CLM 模型的开发来解决这一知识空白，该模型可作为推进未来 Chiari 病研究的基本工具。具体而言，本研究通过使用手术方法提出了一种可靠且新颖的方法来创建第一个 CLM 模型。
Bounti：3D胎儿MRI
胎儿MRI广泛用于定量脑容量研究。但是，目前，缺乏普遍接受的胎儿脑部分割和分割方案。已发表的临床研究倾向于使用不同的策略方法，据报道，这些方法也需要大量耗时的手动精炼。在这项工作中，我们建议通过为3D T2W运动校正大脑图像开发新的强大深度学习胎儿脑分割管道来应对这一挑战。首先，我们使用发展中的人类连接项目的新胎儿脑MRI ATLAS定义了一种新的精制脑组织拟合方案，该方案使用了19个区域。该方案设计是基于组织学大脑图谱的证据，单个受试者3D T2W图像中结构的清晰可见性以及与定量研究的临床相关性。随后，它用作开发自动化深度学习的脑组织拟层管道，该管道在360个胎儿MRI数据集中训练有不同的获取参数，并使用半监督的方法和手动精制的标签从ATLAS中传播。管道在不同的采集方案和GA范围内证明了强大的性能。分析390名正常参与者的组织体积（妊娠年龄范围21-38周），并用三种不同的采集方案进行扫描，并未揭示生长图中主要结构的显着差异。在<15％的病例中仅存在小错误，因此显着减少了手动细化的需求。此外，有65例室性肿瘤和60例正常对照病例之间的定量比较与基于手动分割的早期工作中报道的发现一致。这些初步结果支持拟议的基于ATLAS的深度学习方法的可行性，以进行大规模体积分析。创建的胎儿脑体积百分比和带有拟议管道的Docker将在手稿出版后在线公开获得。