XiaoMi-AI文件搜索系统
World File Search SystemT2w
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。
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。
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。
基于深度学习的自动表皮生长因子受体和间变性淋巴瘤激酶状态预测非小细胞肺癌脑转移
目的：本研究旨在调查开发一种深度学习（DL）算法的可行性，该算法将非小细胞肺癌（NSCLC）脑转移瘤分类为表皮生长因子受体（EGFR）突变和间变性淋巴瘤激酶（ALK）重排组，并与基于影像语义特征的分类进行比较。方法：分析了2014年至2018年117名患者的数据集，其中33名患者为EGFR阳性，43名患者为ALK阳性，41名患者为任一突变阴性。使用卷积神经网络（CNN）架构高效网络研究使用T1加权（T1W）磁共振成像（MRI）序列、T2加权（T2W）MRI序列、T1W后对比（T1post）MRI序列、液体衰减反转恢复（FLAIR）MRI序列的分类准确性。数据集分为80％训练和20％测试。采用描述性分析[卡方检验（χ
临床可行的脑形态相似性网络构建
形态相似性网络 (MSN) 将皮质组织估计为一组具有生物学意义的宏观和微观结构层面解剖特征之间的相似性，这些相似性来自多个结构 MRI (sMRI) 序列。这些网络具有临床相关性，可预测智商的 40% 差异。但是，生成这些网络所需的序列 (T1w、T2w、DWI) 是较长的采集，在某些人群中不太可行。因此，使用 T1w sMRI 中的特征估计 MSN 对临床和发育神经科学具有吸引力。我们研究了减少特征的方法是否接近原始 MSN 模型，作为研究大脑结构的潜在工具。在一个大型、同质的健康年轻人数据集（来自人类连接组计划，HCP）中，我们扩展了之前对减少特征 MSN 的研究，不仅比较了 T1w 衍生的网络，还比较了使用较少 MR 序列生成的其他 MSN，以及它们的完整采集对应物。我们生成的 MSN 在边缘级别与使用多模态成像生成的 MSN 高度相似；但是，网络的节点拓扑不同。这些网络对广义认知能力的预测有效性有限。总体而言，当多模态成像不可用或不合适时，T1w 限制的 MSN 构建是可行的，可以提供 MSN 的适当估计，并且可以成为在未来研究中检查结果的有用方法。
Dempster-Shafer 可信 AI 方法及其在胎儿脑部 MRI 分割中的应用
摘要 — 对于病理病例和在不同中心获取的图像（而不是训练图像），用于医学图像分割的深度学习模型可能会意外且严重地失败，其标记错误违反了专家知识。此类错误破坏了用于医学图像分割的深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术转化为临床应用至关重要，并且很可能成为未来人工智能 (AI) 法规的要求。在这项工作中，我们提出了一个值得信赖的 AI 理论框架和一个实用系统，该系统可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干 AI 系统。我们的方法依赖于可操作的可信 AI 定义。我们的方法会自动丢弃由骨干 AI 预测的违反专家知识的体素级标记，并依赖于这些体素的回退。我们在最大的已报告胎儿 MRI 注释数据集上证明了所提出的可信 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。我们值得信赖的 AI 方法提高了四个骨干 AI 模型的稳健性，这些模型适用于在不同中心获取的胎儿脑部 MRI 以及患有各种脑部异常的胎儿。我们的代码可在此处公开获取。
振荡存在时区域异质性对全脑动态的影响
考虑到大脑细胞和分子组成、连接性和功能，健康和疾病状态下的大脑区域之间存在很大差异。由耦合大脑区域组成的大规模全脑模型可以深入了解形成自发性大脑活动复杂模式的潜在动态。特别是，异步状态下基于生物物理的平均场全脑模型被用来展示包括区域差异的动态后果。然而，当大脑动态由同步振荡状态支持时，异质性的作用仍然不太清楚，这是一种大脑中普遍存在的现象。在这里，我们实现了两个能够以不同抽象程度呈现振荡行为的模型：现象学斯图尔特-朗道模型和精确平均场模型。这些模型的拟合由结构到功能加权 MRI 信号 (T1w/T2w) 提供信息，使我们能够探索纳入异质性对健康参与者静息态 fMRI 记录建模的影响。我们发现，疾病特异性区域功能异质性在神经退行性疾病的 fMRI 记录的振荡范围内产生了动态后果，对脑萎缩/结构（阿尔茨海默氏症患者）产生了特定影响。总体而言，我们发现模型
UNC-BCP 4D婴儿脑体积图集
时空婴儿专用的大脑图石对于早期大脑发育的神经影像学分析至关重要。然而，由于获得高质量婴儿脑磁共振（MR）图像的困难，在处理获得的数据时面临重大的技术挑战，以及对大型样本量的需求，现有的婴儿地带通常以模糊的外观和稀疏的时间点构建。为了准确研究早期的大脑发育，高质量的空间婴儿脑图集是高度期望的。为了解决这个问题，我们基于UNC/UMN婴儿连接项目（BCP）数据集（Howell等，2019），为婴儿大脑构建了4D体积图谱，称为UNC-BCP 4D婴儿脑体积图集。这个4D地图集具有很高的空间分辨率，较大的年龄范围覆盖范围和密集采样的时间点（即0、1、2、3、4、5、6、7、7、8、9、9、10、11、11、12、15、15、18、11、24个月）。具体来说，使用T1W和T2W序列的542次MRI扫描，从240名婴儿到26个月的扫描年龄，用于我们的ATLAS结构。同时，将广泛使用的FreeSurfer Desikan皮层拟化方案（Desikan等，2006）映射到我们的4D地图集，并手动划定了皮层结构以促进基于ROI的分析。所有图像都扭曲成MNI空间（Mazziotta等，1995）。这个具有非常密集的时间点的4D婴儿体积图集将极大地促进对产后早期阶段中动态和关键神经发育的理解。
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。