XiaoMi-AI文件搜索系统
World File Search SystemTomography
材料动态过程的时间分辨断层扫描
层析成像是分析内部成分排列的一种方法。医学可能是利用这种方法并推动其发展的最著名学科。[1–3] 然而，层析成像也已应用于其他研究领域，如材料科学[4,5]、生物学[6]、考古学[7]甚至流体动力学[8]，并且在工业领域也越来越受到认可，例如用于质量控制[9]或无损检测[10]。图像采集与实时重建算法[11]、高级图像分析[12]、特征分割和识别分析算法[13,14]与现代机器学习工具[15,16]的结合增强了这种方法的潜力。如今，实验室扫描仪普及且功能强大，受益于改进的空间和时间分辨率，尽管尖端实验仍然局限于高亮度同步加速器和X射线自由电子激光器。可以在极短的时间内获得高空间分辨率。[17,18] 对高空间和时间分辨率、大视野和高总记录时间的需求意味着目标的冲突。文献中概述了不同设备可用的实际速度和分辨率。[19–21]
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
光子状态断层扫描
与经典电子不同，量子态以难以测量而著称。从某种意义上说，电子的自旋只能处于两种状态之一，即向上或向下。通过简单的实验可以发现电子处于哪种状态，对同一电子的进一步测量将始终证实这一答案。然而，这幅图景的简单性掩盖了电子复杂而完整的本质，电子总是处于两种状态之一，而状态会根据测量方式而变化。量子态断层扫描是一种使用许多相同粒子的集合来完全表征任何量子系统（包括电子自旋）的过程。多种类型的测量可以从不同的特征基重建量子态，就像经典断层扫描可以通过从不同的物理方向扫描三维物体来对其进行成像一样。在任何单一基础上进行额外的测量都会使该维度更加清晰。本文主要分为两部分：层析成像理论（第一部分和第二部分）和光子系统的实验层析成像
心血管计算机断层扫描
• W/L = Right +Left mouse • Zoom In = Middle mouse depress & hold + push entire mouse forward • Zoom Out = Middle mouse depress & hold + pull entire mouse back • Pan = right mouse hold and drag • Slice or page through volume data set = middle + right mouse • Page through MPR's = left mouse • Isocenter from 2D: Alt + left click on area of interest & will center all planes • Isocenter on 3D view = Alt + left click OR middle mouse depress and释放感兴趣的区域
使用迭代完善的波场重建反演的定量光声断层扫描：仿真研究
摘要 - 光声tomog-raphy的最终目标是准确绘制整个成像组织中的吸收系数。大多数研究都假定生物组织的声学特性，例如声音（SOS）和声学衰减，或者在整个组织中都是均匀的。这些假设降低了衍生吸收系数估计的准确性（DEAC）。我们的定量光声断层扫描（QPAT）方法使用迭代完善的波场重建内部（IR-WRI）估算DEAC，该局部结合了乘数的交替方向方法，以解决与全波逆算法相关的循环跳过挑战。我们的方法弥补了SOS不均匀性，衰变和声学衰减。我们在新生儿头数字幻影上评估了方法的性能。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
使用计算机断层扫描估算家猫（Felis Catus）中的内族量
在驯化过程中，大多数哺乳动物都观察到大脑和内部体积大小的变化。然而，尽管将驯养物种与野生亲戚进行比较，但很少有研究重点关注驯养品种之间的差异，尤其是在猫中。在这项研究中，我们使用从计算机断层扫描（CT）图像获得的虚拟内媒体估算了两种不同的家猫品种（Felis Catus）的内族体积。我们的分析没有揭示英国毛道和苏格兰褶皱在内政量上之间的任何显着差异。此外，我们发现了先前使用珠方法从家猫获得的体积的相似结果。尽管这些结果仅代表了整个CAT繁殖多样性的有限样本，但我们希望它们将有助于我们对驯化过程中大脑体积的宏观进化变化的理解。
![神经胶质细胞成像区分多系统萎缩和帕金森病：利用 [ 11 C ] PBR28 和机器学习分析进行正电子发射断层扫描研究](/simg/d/dbe141be97bad77b0a6908bb6f02f4c86eeef9b4.png)
神经胶质细胞成像区分多系统萎缩和帕金森病：利用 [ 11 C ] PBR28 和机器学习分析进行正电子发射断层扫描研究
1 PET 科学中心、个性化医疗和生物样本研发部、阿斯利康公司，瑞典斯德哥尔摩 2 临床神经科学系、精神病学研究中心、卡罗琳斯卡医学院，瑞典斯德哥尔摩 3 陶布研究所、神经病学系、哥伦比亚大学欧文医学中心，美国纽约 4 Invicro，英国伦敦 5 神经影像科学中心、精神病学、心理学和神经科学研究所、伦敦国王学院，英国伦敦 6 耶鲁大学 PET 中心，美国康涅狄格州纽黑文 7 图尔库 PET 中心、图尔库大学和图尔库大学医院，芬兰图尔库 8 研发部、阿斯利康公司，美国马萨诸塞州沃尔瑟姆 9 临床神经科学系、卡罗琳斯卡医学院，瑞典斯德哥尔摩 10 法国 MSA 参考中心、临床研究中心 CIC1436、神经科学和临床药理学系、NeuroToul COEN 中心，UMR 1 214-ToNIC 和图卢兹大学医院、INSERM 和图卢兹 3 大学，法国图卢兹 11 CRMR AMS，神经病学-神经变性疾病服务中心，CHU Bordeaux，法国波尔多 12 波尔多大学，CNRS，IMN，UMR 5293，法国波尔多 13 奥塔哥大学医学系，新西兰基督城脑研究所，新西兰基督城 14 萨勒诺大学神经退行性疾病中心，意大利萨勒诺 15 因斯布鲁克医科大学神经病学系，奥地利因斯布鲁克 16 纽约大学格罗斯曼医学院医学系，美国纽约 17 因斯布鲁克医科大学神经病学系临床神经生物学分部，奥地利因斯布鲁克
使用计算机断层扫描成像的肝细胞癌检测中深度学习应用的诊断性能
抽象背景/目的：肝细胞癌（HCC）是一种普遍的癌症，主要是由于其晚期诊断而在全球范围内显着促进死亡率。早期检测是至关重要但充满挑战的。这项研究利用深度学习（DL）技术的潜力，仅采用您看一次（Yolo）结构，以增强计算机断层扫描（CT）图像中HCC的检测，旨在改善早期诊断，从而改善患者的结果。材料和方法：我们使用了来自122名患者的1290个CT图像的数据集，根据标准的70:20:10分割，用于训练，验证和测试阶段。基于YOLO的DL模型接受了这些图像的培训，随后进行了验证和测试阶段，以全面评估该模型的诊断能力。结果：该模型表现出非凡的诊断准确性，精度为0.97216，召回0.919，总体精度为95.35％，显着超过了传统的诊断方法。它达到了95.83％的特异性和94.74％的敏感性，证明了其在临床环境中的有效性以及降低遗漏诊断和不必要的干预措施的潜力。结论：用于检测CT扫描中HCC的YOLO体系结构的实施显示了很大的希望，表明DL模型很快可能成为肿瘤学诊断的标准工具。关键词：人工智能，计算机断层扫描，深度学习，肝细胞癌，肝癌随着人工智能技术的不断发展，预计其整合到医疗保健系统中，将提高肿瘤学诊断的准确性和效率，增强早期检测和治疗策略，并可能提高患者的存活率。
单量子比特状态断层扫描的矢量场可视化
摘要 — 随着商用量子计算机种类的不断增加，对能够表征、验证和确认这些计算机的工具的需求也在不断增加。这项工作探索了使用量子态断层扫描来表征单个量子比特的性能，并开发了矢量场可视化来呈现结果。所提出的协议在模拟和 IBM 开发的量子计算硬件上进行了演示。结果确定了此硬件标准模型中未反映的量子比特性能特征，表明有机会提高这些模型的准确性。所提出的量子比特评估协议作为免费开源软件提供，以简化在其他量子计算设备上复制该过程的任务。索引术语 — 量子计算、量子态断层扫描、量子比特基准