XiaoMi-AI文件搜索系统
World File Search SystemUNet
使用自注意力模块对 MRI 图像中的脑结构进行分割的深度 3D 神经网络
摘要：近年来，由于深度学习模型能够取得的成果，其在开发先进医疗保健系统中的应用日益广泛。然而，目前提出的大多数深度学习模型主要使用卷积和池化操作，导致宝贵数据的丢失，并且过于注重局部信息。在本文中，我们提出了一种基于深度学习的方法，该方法使用在医学图像分割过程中非常重要的全局和局部特征。为了训练该架构，我们使用从完整磁共振图像分辨率中提取的三维 (3D) 块，这些块通过一组连续的卷积神经网络 (CNN) 层发送，这些层没有池化操作，以提取局部信息。随后，我们将生成的特征图发送到连续的自注意力模块层，以获得全局上下文，其输出随后被发送到主要由上采样层组成的解码器管道。该模型使用 Mindboggle-101 数据集进行训练。实验结果表明，与其他基于 UNet 的方法相比，自注意力模块可以实现更高的平均 Dice 得分（0.90 ± 0.036）。每个脑结构的平均分割时间约为 0.038 秒。所提出的模型可以正确处理脑结构分割任务。利用自注意力模块所包含的全局背景可以实现更精确、更快速的分割。我们分割了 37 个脑结构，据我们所知，这是使用注意力机制的 3D 方法下结构数量最多的。
基于3D denoising扩散概率模型的PET图像Denoising：总体数据集的评估
摘要。由于各种物理降解因子和检测到的少量计数，从低剂量正电子发射断层扫描（PET）扫描中获得了高质量的图像是具有挑战性的。基于高级分布学习的生成模型（一种基于高级分布学习的生成模型）的转化扩散概率模型（DDPM）显示了各种计算机视觉任务的有希望的性能。但是，目前DDPM主要以2D模式进行研究，该模式的限制是pet图像denoising的局限性，因为通常以3D模式获取，重建和分析PET。在这项工作中，我们提出了一种用于PET Image DeNoising的3D DDPM方法，该方法采用3D卷积网络来训练得分函数，并启动网络学习3D分布。使用从西门子传记视觉Quadra扫描仪（轴向视野> 1m）获取的总体体18 F -FDG PET数据集来评估3D DDPM方法，因为这些总体数据集需要的3D操作最多可从不同的轴向液体中利用丰富的信息。所有模型均在1/20低剂量图像上训练，然后在1/4、1/20和1/50低剂量图像上进行评估。实验结果表明，在定性和定量评估中，3D DDPM明显优于2D DDPM和3D UNET，能够从低质量PET图像中恢复更精细的结构和更准确的边缘轮廓。此外，当训练和测试数据之间存在噪声水平不匹配时，3D DDPM显示出更大的鲁棒性。最后，就不确定性而言，将3D DDPM与2D DDPM进行比较，发现3D DDPM对可重复性的信心更高。
Medsyn：高级...
本文介绍了一种创新的方法，用于生产以文本构成为指导的高质量3D肺CT图像。虽然基于扩散的生成模型在医学成像中不断使用，但当前的最新方法仅限于低分辨率输出，并且使用了放射学报告的丰富信息。放射学报告可以通过提供其他指导并对图像合成的细粒度控制来增强生成过程。尽管如此，将文本引导的生成扩展到高分辨率3D图像带来了重要的记忆和解剖学细节保护挑战。解决内存问题，我们引入了使用修改的UNET体系结构的层次结构方案。我们首先合成在文本上调节的低分辨率图像，为随后的发电机提供完整的体积数据的基础。为了确保生成的样品的解剖学合理性，我们通过与CT图像结合生成血管，气道和小叶分段掩模来提供进一步的指导。该模型展示了使用文本输入和分割任务生成综合图像的能力。比较上的结果表明，与基于GAN和扩散技术的最先进的模型相比，我们的方法表现出优越的性能，尤其是在准确保留关键的解剖学特征（例如卵线，气道和血管结构）中。这项创新引入了新颖的可能性。可以应用图像生成中的进步来增强许多下游任务。这项研究重点介绍了两个主要目标：（1）开发一种基于Textual提示和解剖学成分创建图像的方法，以及（2）在解剖学元素上生成新图像的能力。
disgan：信息信息的歧视器将GAN引导到MRI超分辨率，并清洁噪声
MRI超级分辨率（SR）和Denoising任务是深度学习领域的挑战，传统上被视为具有分隔的配对培训数据的不同任务。在本文中，我们提出了一种创新的方法，该方法使用单个深度学习模型同时解决这两个任务，从而消除了在培训期间对明确配对嘈杂和干净的图像的需求。我们提出的模型主要是针对SR训练的，但在超级分辨图像中也表现出显着的噪声清洁功能。而不是将与频率相关操作引入常规过程的常规方法，我们的新方法涉及使用以频率信息歧视器为指导的GAN模型。为了实现这一目标，我们利用3D离散小波变换（DWT）操作的功率作为GAN框架内的频率结合，用于磁共振成像（MRI）数据的SR任务。特别是我们的分配包括：1）基于残差 - 残基连接块的3D发电机； 2）将3D DWT与1×1卷积的3D DWT集成到3D UNET内的DWT+CORV单元中； 3）训练有素的模型用于高质量的图像SR，并伴随着Intrinsic denoising过程。我们将模型“ deno诱导的超分辨率gan（disgan）”配音，原因是其对SR图像产生和同时降解的双重影响。与传统的培训SR和Deno Task作为单独模型的传统方法背道而驰，我们提出的disgan仅受到SR任务的培训，但在DeNoising方面也取得了出色的表现。我们的代码可用 -该模型经过了来自人类连接组项目（HCP）的数十个受试者的3D MRI数据的培训，并对先前看不见的MRI数据进行了进一步评估，这些MRI数据来自患有脑肿瘤和癫痫的受试者，以评估其denosis和SR性能。
放射学人工智能：方法的系统评价和评估 (RAISE)
摘要 目的 目前，人工智能 (AI) 应用于临床放射学的研究已非常丰富。然而，这些研究的设计和质量各不相同，而且缺乏对整个领域的系统评价。本系统评价旨在确定所有使用深度学习进行放射学研究的论文，以调查文献并评估其方法。我们旨在确定文献中正在解决的关键问题，并确定所采用的最有效方法。方法 我们遵循 PRISMA 指南，对 2015 年至 2019 年发表的放射学人工智能研究进行了系统评价。我们发表的方案是前瞻性注册的。结果 我们的搜索产生了 11,083 个结果。审查了 767 篇全文，纳入了 535 篇文章。98% 是回顾性队列研究。纳入的患者中位数为 460。大多数研究涉及 MRI（37%）。神经放射学是最常见的亚专科。88% 的研究使用了监督学习。大多数研究进行了分割任务（39%）。37% 的研究使用最先进的模型进行性能比较。最常用的既定架构是 UNet（14%）。最常用的评估指标的中位性能为 Dice 0.89（范围 .49 – .99）、AUC 0.903（范围 1.00 – 0.61）和准确度 89.4（范围 70.2 – 100）。在 77 项对其结果进行了外部验证并允许直接比较的研究中，外部验证后的性能平均下降了 6%（范围从增加 4% 到下降 44%）。结论 本系统评价调查了 AI 在临床放射学中的重大进展。要点 • 虽然有许多论文报告了使用深度学习在放射学中取得的专家级结果，但大多数论文仅将狭窄范围的技术应用于狭窄的用例选择。• 文献以回顾性队列研究为主，外部验证有限，存在很高的偏见可能性。• 最近出现的 AI 扩展系统报告指南和前瞻性试验注册以及对外部验证和解释的关注表明，AI 的炒作有可能从代码转化为临床。
M.Tech。嵌入式和机器学习系统课程和教学大纲-M.Sc.应用数学电子与ICT学院，NIT WARANGAL https://forms.gle/ ...
关于FDP：有关人工智能（AI）的教师发展计划（FDP），用于计算机视觉，医学成像应用将帮助教育者和研究人员了解AI基础知识及其如何应用于具有多个安全应用的医学成像技术。参与者将探索机器学习和深度学习概念，专注于使用AI进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过实践活动和实例实例，与会者将获得实用技能，可以在教学和研究中有效地使用不同的AI使用AI。在计划结束时，参与者将准备将AI工具集成到他们的工作中，提高他们通过现代技术教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：针对计算机视觉应用程序的最新实施介绍。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介和基于DL的其他架构及其应用程序。用于计算机视觉，生物特征和医学成像实现的深度学习体系结构。使用Python/Matlab的动手会话。医学图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底和医学图像分类的AI/ML。对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等使用张量流/Pytorch识别人类活动/动作/生物识别识别张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。CV和AI算法在硬件平台上实现，例如Jetson Nano，TX2和Pynq等。主持此计划的教师：该计划将由Nit Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。
混合模式教师发展计划...
关于FDP：有关人工智能（AI）的教师发展计划（FDP），用于计算机视觉，医学成像应用将帮助教育者和研究人员了解AI基础知识及其如何应用于具有多个安全应用的医学成像技术。参与者将探索机器学习和深度学习概念，专注于使用AI进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过动手活动和现实世界的例子，与会者将获得实用技能，以有效地使用AI在教学和研究中使用不同的算法。在计划结束时，参与者将准备将AI工具整合到他们的工作中，提高他们通过现代技术来教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：针对计算机视觉应用程序的最新实施介绍。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介和基于DL的其他架构及其应用。用于计算机视觉，生物特征和医学成像实现的深度学习体系结构。医学图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底和医学图像分类的AI/ML。对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等使用张量流/Pytorch识别人类活动/动作/生物识别。张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。使用Python/Matlab的动手会话。CV和AI算法在硬件平台上实现，例如Jetson Nano，TX2和Pynq等。主持此计划的教师：该计划将由Nit Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。
XSL•FO
背景：基于 Transformer 的模型在医学成像和癌症成像应用中越来越受欢迎。许多最近的研究表明，基于 Transformer 的模型可用于脑癌成像应用，例如诊断和肿瘤分割。目的：本研究旨在回顾不同的视觉变换器 (ViT) 如何有助于利用脑图像数据推进脑癌诊断和肿瘤分割。本研究考察了为增强脑肿瘤分割任务而开发的不同架构。此外，它还探讨了基于 ViT 的模型如何增强卷积神经网络在脑癌成像中的性能。方法：本综述按照 PRISMA-ScR（系统评价和荟萃分析扩展范围界定综述的首选报告项目）指南进行研究搜索和研究选择。搜索包括 4 个流行的科学数据库：PubMed、Scopus、IEEE Xplore 和 Google Scholar。搜索词的制定涵盖了干预措施（即 ViT）和目标应用（即脑癌成像）。研究选择的标题和摘要由 2 名审阅者独立完成，并由第三名审阅者验证。数据提取由 2 名审阅者完成，并由第三名审阅者验证。最后，使用叙述方法合成数据。结果：在检索到的 736 项研究中，有 22 项（3%）被纳入本综述。这些研究发表于 2021 年和 2022 年。这些研究中最常见的任务是使用 ViT 进行肿瘤分割。没有研究报告早期发现脑癌。在不同的 ViT 架构中，基于移位窗口变压器的架构最近成为研究界最受欢迎的选择。在所包含的架构中，UNet transformer 和 TransUNet 具有最多的参数，因此需要多达 8 个图形处理单元的集群进行模型训练。脑肿瘤分割挑战数据集是所包含研究中使用的最流行的数据集。ViT 与卷积神经网络以不同的组合使用，以捕获输入脑成像数据的全局和局部背景。结论：可以说，Transformer 架构的计算复杂性是推动该领域发展和实现临床转化的瓶颈。本综述提供了有关该主题的当前知识状态，本综述的结果将有助于医学人工智能及其在脑癌应用领域的研究人员。
计算基因组学：理论与应用
关于FDP：有关人工智能（AI）的教师发展计划（FDP），用于计算机视觉，医学成像应用将帮助教育者和研究人员了解AI基础知识及其如何应用于具有多个安全应用的医学成像技术。参与者将探索机器学习和深度学习概念，专注于使用AI进行医学成像，从而有助于诊断，医疗保健，农业，零售和监视系统。EAI通过启用了基于面部识别，IRIS识别，IRIS识别，IRIS识别，IRIS识别，声音认识和语音认识和语音认识和高效的身份验证方法在计算机视觉中起关键作用。通过动手活动和现实世界的例子，与会者将获得实用技能，以有效地使用AI在教学和研究中使用不同的算法。在计划结束时，参与者将准备将AI工具集成到他们的工作中，提高他们通过现代技术教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：针对计算机视觉应用程序的最新实施介绍。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介和基于DL的其他架构及其应用程序。用于计算机视觉，生物特征和医学成像实现的深度学习体系结构。医学图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底和医学图像分类的AI/ML。对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等使用张量流/Pytorch识别人类活动/动作/生物识别。张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。使用Python/Matlab的动手会话。CV和AI算法在硬件平台上实现，例如Jetson Nano，TX2和Pynq等。主持此计划的教师：该计划将由Nit Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。
机器人头
关于FDP：有关人工智能（AI）的教师开发计划（FDP），用于计算机视觉，医学成像和物联网应用程序将帮助教育者和研究人员了解AI基础知识以及它如何适用于具有多个安全应用的医学成像和物联网技术。参与者将探索机器学习和深度学习概念，专注于使用AI和IoT进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过动手活动和现实世界的例子，与会者将获得实用技能，以有效地使用AI在教学和研究中使用不同的算法。在计划结束时，参与者将准备将AI工具整合到他们的工作中，提高他们通过现代技术来教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：•物联网体系结构，通信协议，计算机视觉简介，大数据分析，IIT，生物医学和医学图像分析应用程序。•机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，神经网络和应用。•深度学习方法的简介和基于DL的其他架构及其应用。•张量流/keras/pytorch/jupyter和colab的基础知识。•CNN架构用于计算机视觉，生物特征和医学成像实现。•IOMT，AI/IOT用于医疗保健监测，精密农业，医疗诊断，工业应用。•用于生物医学成像，CT扫描/MRI/X射线图像分析，眼底和医学图像分类的AI/ML。•活动识别，对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等。•使用Python/Matlab使用数据预处理和数据可视化。•使用Python/Matlab的动手会话。主持此计划的教师：该计划将由NIT Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。注册费细节：教师和研究学者Rs.750/ - 行业参与者Rs.2250/ -