XiaoMi-AI文件搜索系统
World File Search SystemTomography
病例报告：IgG4 相关疾病的心脏变化双能量计算机断层扫描
患者为一名 63 岁男性，因腹痛入院。实验室检查显示 IgG4（19.3 g/L）升高，接近正常上限的 8 倍。腹部 CT 显示胰腺肿块及腹主动脉及胆道系统周围软组织病变。在完成一系列检查和多学科讨论后，根据 2019 年 ACR/EULAR IgG4-RD 分类标准 ( 2 ) 的纳入标准，患者累计评分为 38 分，诊断为 IgG4-RD。患者既往史包括高血压、II 型糖尿病、冠状动脉疾病伴稳定型心绞痛以及因创伤行脾切除术。通过 DECT（SOMATOM Drive，西门子医疗，德国福希海姆）和 Syngo 进行冠状动脉计算机断层扫描血管造影 (CCTA)。在工作站上，在专业工程师的指导下使用“CT冠状动脉”“CT双能量”和“CT心脏功能”工具进行测量，手动绘制圆形感兴趣区域（ROI），确保基于多平面三维重建的ROI位于病变中心，观察者内和观察者间组内相关效率（ICC）分别为0.90和0.96。基于深度学习的冠状动脉CT血管造影（FFR CT）血流储备分数测量由科亚医疗独立核心实验室进行（ 3 ）。CCTA显示多条冠状动脉中度至重度狭窄病变（图1B~D）；左前降支 (LAD) 病变最严重，狭窄程度为 75%–99%，对角支狭窄程度为 90%，左回旋支 (LCX) 狭窄程度为 75%–90%，右冠状动脉 (RCA) 狭窄程度为 50%–90%，这些病变均经侵入性冠状动脉造影 (ICA) 证实（图 1F–H）。有趣的是，该患者的三支血管周围既有非钙化斑块，也有大量肿瘤样病变（图 1A）。后者病变可能是由 IgG4-RD 引起的，但在 ICA 期间被忽视了。众所周知，IgG4-RD 引起的动脉周围炎主要影响外膜，而内膜和中层受累较少（1）。但非钙化斑块主要位于管腔内，因为它最初发生在冠状动脉内膜。近端LAD内的斑块与冠状动脉周围的IgG4相关浸润更容易区分；因此我们选择该区域来测量两个病变（图1I）。近端LAD内的肿瘤样病变在平扫图像（管电压100keV）中的平均CT衰减值为38HU，与位于同一张CT轴位图像上的纤维脂肪斑块（45HU）相同。在延迟增强阶段，非钙化斑块的平均CT衰减为64HU，而肿瘤样病变为100HU。结合它们的增强特征，进一步可确定非钙化斑块及IgG4相关浸润物。首先，比较LAD不同病变的碘密度。动脉期肿瘤样病变比非钙化斑块摄取更多的碘，且差距随时间延长而扩大（图1I、N）。绝对碘和标准化碘
结合 X 射线断层扫描、扫描声学显微镜 (SAM) 和横截面技术对电子元件检测的重要性
SAM 技术分析反射波和透射波的强度和相位，以创建反映样本声阻抗变化的视觉图像，从而揭示内部裂纹和缺陷，例如分层和空隙。在这种无损检测过程中，压电换能器会产生超声波，该换能器将电信号转换为声信号，反之亦然（检测阶段）。通过一组声透镜将声波聚焦在样本内部，以检查系统的内部。
正电子发射断层扫描中的人工智能
智能手机、智能家居、智能导航等都是人工智能（AI）在日常生活中的重要应用。人工智能最早出现于20世纪50年代，随着对它的认识和重新定义，人工智能逐渐被提出。目前，人工智能被定义为研究和开发用于模拟、扩展和增强人类智能的理论、方法、技术和应用系统的一门新技术科学（1）。我们目睹了人工智能的快速发展，其在医疗保健，特别是医学图像处理和分析方面的研究和应用方兴未艾。与更易于获取且采集过程更容易标准化的计算机断层扫描（CT）和磁共振成像（MRI）相比，正电子发射断层扫描（PET）更昂贵、获取范围更广，其更复杂的技术操作过程给标准化图像采集带来了困难。虽然AI在PET领域的研究和应用进展相对较慢，但由于PET作为分子影像的重要领域，AI在PET成像领域的应用正受到广泛的关注，成为研究热点。在技术层面，针对不同厂家、不同仪器型号、不同成像技术的PET扫描仪在成像过程中参数和质量的差异性，开展了图像后处理研究，包括图像标准化、归一化、小波变换、高斯变换、特征预处理等。AI赋能的分割技术进一步提高了AI特征的稳定性和AI研究的可重复性（2、3）。为了满足临床应用的需求，通过深入挖掘图像特征，结合人群和临床证据，构建机器学习模型，PET 中的 AI 已被开发用于病变检测和边界描绘、诊断和鉴别诊断、风险预测和预后评估，甚至预测临床基因或分子分型（ 1 , 4 – 7 ）。本研究主题包括 11 篇出版物，强调了 AI 如何支持 PET 图像处理和分析。最近，许多研究小组一直致力于将 AI 用于 PET 图像解释，例如病变检测。Kawakami 等人应用对象深度学习 (DL) 检测模型 You Only Look Once Version 2 (YOLOv2) 来检测 18 F-FDG PET 中的生理和异常摄取。）。）。结果表明，MIP 图像上的生理摄取被快速准确地识别（Kawakami 等人。YOLOv2 检测到的异常摄取与手动识别的覆盖率较高（Kawakami 等人。精确的检测和快速的反应将成为疾病诊断的有用工具。最大标准化摄取值 (SUVmax) 是解释图像和评估的最常用参数
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。
使用门集断层扫描技术表征超导量子比特的中路测量 Kenneth Rudinger、Guilhem J. Ribeill、Luke CG Govia、Mat
发生在量子电路内部层的测量（中电路测量）是一种重要的量子计算原语，最显著的特点是用于量子误差校正。中电路测量既有经典输出也有量子输出，因此它们可能会受到终止量子电路的测量所不存在的误差模式的影响。在这里，我们展示了如何使用一种称为量子仪器线性门集断层扫描 (QILGST) 的技术来表征由量子仪器建模的中电路测量。然后，我们应用该技术来表征多量子位系统内超导传输量子位的色散测量。通过改变测量脉冲和后续门之间的延迟时间，我们探索了残余腔光子群对测量误差的影响。QILGST 可以解析不同的误差模式并量化测量的总误差；在我们的实验中，对于超过 1000 纳秒的延迟时间，我们测得的总误差率（即半钻石距离）为 ϵ ⋄ = 8 . 1 ± 1 。 4%、读出保真度为 97 . 0±0 . 3%、测量 0 和 1 时输出量子态保真度分别为 96 . 7±0 . 6% 和 93 . 7±0 . 7%。
在新辅助治疗时代，有关肿瘤靶向正电子发射断层扫描和胰腺癌的荧光成像的概述和未来观点
1外科部，莱顿大学医学中心，荷兰2333 ZA LEIDEN； f.a.vuijk@lumc.nl（F.A.V. ）; j.a.stibbe@lumc.nl（J.A.S. ）; r.d.houvast@lumc.nl（R.D.H. ）; b.a.bonsing@lumc.nl（B.A.B. ）; c.f.m.sier@lumc.nl（c.f.m.s. ）; p.j.k.kuppen@lumc.nl（P.J.K.K. ）; kb@chdr.nl（J.B。）; a.l.vahrmeijer@lumc.nl（A.L.V. ）; j.s.d.mieog@lumc.nl（J.S.D.M.） 2尼德兰Za Leiden 2333 Za Leiden的莱顿大学医学中心医学肿瘤学系； S.A.C.Luelmo@lumc.nl 3病理学系，莱顿大学医学中心，荷兰2333 Za Leiden； A.S.L.P.Crobach@lumc.nl 4莱顿大学医学中心放射科，荷兰2333 Za Leiden； s.feshtali@lumc.nl 5 5号放射科，核医学科，莱顿大学医学中心，荷兰2333 ZA LEIDEN； l.f.de_geus-oei@lumc.nl 6生物医学光子成像小组，Twente大学，7522 NB NB ENSCHEDE，荷兰7 Percuros B.V. R.J.Swijnenburg@amsterdamumc.nl 9放射科，核医学部，阿姆斯特丹UMC，位置VUMC，荷兰1081 HV阿姆斯特丹； ad.windhorst@amsterdamumc.nl 10人类药物研究中心，2333 CL LEIDEN，荷兰 *通信：m.a.van_dam@lumc.nl;电话。 ： +31-71-529-84-201外科部，莱顿大学医学中心，荷兰2333 ZA LEIDEN； f.a.vuijk@lumc.nl（F.A.V.）; j.a.stibbe@lumc.nl（J.A.S.）; r.d.houvast@lumc.nl（R.D.H.）; b.a.bonsing@lumc.nl（B.A.B.）; c.f.m.sier@lumc.nl（c.f.m.s.）; p.j.k.kuppen@lumc.nl（P.J.K.K.）; kb@chdr.nl（J.B。）; a.l.vahrmeijer@lumc.nl（A.L.V.）; j.s.d.mieog@lumc.nl（J.S.D.M.）2尼德兰Za Leiden 2333 Za Leiden的莱顿大学医学中心医学肿瘤学系； S.A.C.Luelmo@lumc.nl 3病理学系，莱顿大学医学中心，荷兰2333 Za Leiden； A.S.L.P.Crobach@lumc.nl 4莱顿大学医学中心放射科，荷兰2333 Za Leiden； s.feshtali@lumc.nl 5 5号放射科，核医学科，莱顿大学医学中心，荷兰2333 ZA LEIDEN； l.f.de_geus-oei@lumc.nl 6生物医学光子成像小组，Twente大学，7522 NB NB ENSCHEDE，荷兰7 Percuros B.V. R.J.Swijnenburg@amsterdamumc.nl 9放射科，核医学部，阿姆斯特丹UMC，位置VUMC，荷兰1081 HV阿姆斯特丹； ad.windhorst@amsterdamumc.nl 10人类药物研究中心，2333 CL LEIDEN，荷兰 *通信：m.a.van_dam@lumc.nl;电话。： +31-71-529-84-20
利用机器学习对时间相关量子哈密顿量进行断层扫描
相互作用的量子汉密尔顿量是量子计算的基础。时间无关的量子汉密尔顿量的基于数据的断层扫描已经实现，但一个开放的挑战是使用从一小部分自旋局部获取的时间序列测量来确定时间相关的量子汉密尔顿量的结构。物理上，自旋系统在时间相关驱动或扰动下的动态演化由海森堡运动方程描述。受这一基本事实的启发，我们阐明了一个物理增强的机器学习框架，其核心是海森堡神经网络。具体来说，我们根据基于海森堡方程的一些物理驱动损失函数开发了一种深度学习算法，该算法“强制”神经网络遵循自旋变量的量子演化。我们证明，从局部测量中，不仅可以恢复局部汉密尔顿量，而且还可以忠实地重建反映整个系统相互作用结构的汉密尔顿量。我们在各种结构的自旋系统上测试了我们的海森堡神经机。在仅从一次自旋进行测量的极端情况下，实现的断层扫描保真度值可以达到约 90%。开发的机器学习框架适用于任何时间相关系统，其量子动力学演化受海森堡运动方程控制。
伪计算机断层扫描图像产生大脑...
相对于计算机断层扫描（CT），磁共振成像（MRI）的软组织对比增加使其成为决定放射治疗（RT）的合适成像方法。当将MRI扫描用于治疗计划时，剂量计算和基于X射线的患者位置仍然需要CT扫描。这增加了工作量，由于图像注册间模式的必要条件，因此导致了不必要的，并且需要不必要的辐射。即使仅使用MR图像是有利的，但必须使用一种估计伪CT（PCT）的方式来生成电子密度映射和患者参考图像。因此，本文带来了一个有效的深度学习模型，可以使用以下步骤从MRI图像中生成合成的CT； a）在收集了CT和MRI扫描图像的数据中，b）使用图像进行预处理，以避免使用诸如Outier Emplier Empliering，数据平滑和数据归一化的技术避免异常和噪声，C）使用原理组件分析（PCA）和回归方法进行特征提取和选择，DCN和DCN（DCN）（DCN）（dcn）（dcn）（dcn）（dc）。此外，我们为此模型评估了DC，SSIM，MAE和MSE等指标。但是，我们建议的模型的精度为95％。关键字
带有条件生成对抗网络（）
量子状态断层扫描（QST）是中等规模量子设备中的一项具有挑战性的任务。在这里，我们将有条件的生成对抗网络（CGAN）应用于QST。在CGAN框架中，两个决斗神经网络，一个发电机和一个歧视者，从数据中学习多模式模型。我们使用自定义的神经网络层增强了CGAN，该层可将输出从任何标准的神经网络转换为物理密度矩阵。要重建密度矩阵，使用基于标准梯度的方法在数据上相互训练。我们证明，与同时加速基于投影的基于梯度和迭代的最大可能性估计相比，使用迭代步骤少的数量级和更少的数据，我们的QST-CGAN以高忠诚度重建光学量子状态。，我们还表明，如果在类似的量子状态下识别了QST-CGAN，则可以在发电机网络的单个评估中重建量子状态。
通过工业过程层析成像增强现实
今天，原位分析和监测对于确保受到封闭式环境的成功和健康的工业过程至关重要。随着数字化的快速发展，增强现实（AR）已被用于使人们与必要的信息融洽相互作用。但是，与对复杂数据的有效分析有关的AR技术和域用户之间仍然存在知识差距。因此，增强域用户能力的新解决方案将使整个行业受益。在这项研究中，我们报告了一个初始的原型，该原型支持工业过程断层扫描（IPT）中整个3D周围环境中的复杂数据可视化和分析。Microsoft Hololens 2配备了用户与3D信息进行交互，该信息表征了工业过程中高级沉浸式工艺的工作流程。与现有解决方案相比，我们的工作明显改善了性能，指向应如何在帮助IPT系统的AR部署和开发AR的道路上。