XiaoMi-AI文件搜索系统
World File Search SystemWeighted
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2
脑转移瘤的扩散加权成像
弥散加权磁共振成像 (DWI) 常用于诊断急性脑梗塞，因为它能够显示因受损细胞水扩散变化而观察到的细胞毒性水肿。DWI 功能取决于水的微分扩散速率或布朗运动。因此，它常用于神经肿瘤学领域，用于脑肿瘤患者的诊断和随访。弥散受限由表观扩散系数 (ADC) 值较低表示，这与细胞毒性水肿、细胞过多或致密内容物（出血和蛋白质）、细胞数量和细胞核/细胞质比率增加以及大分子积累有关。细胞外空间减少会限制水分子的转移，从而导致恶性肿块中的扩散受限。根据先前的研究，细胞含量高的肿瘤表现出更多的扩散限制和较低的 ADC 值 (11,33)。从 DWI 获得的 ADC 值特别与肿瘤细胞、治疗反应、神经胶质瘤等级和生存期相关（4,21,33）。
使用基于嘈杂学生的训练来提高 T1 加权对比增强 3D MRI 中的脑转移瘤检测率
摘要 — 早期发现脑转移瘤 (BM) 可能对癌症患者的预后产生积极影响。我们之前开发了一个框架，用于在 T1 加权对比增强 3D 磁共振图像 (T1c) 中检测小 BM（直径小于 15 毫米），以协助医疗专家完成这项时间敏感且高风险的任务。该框架利用专用的卷积神经网络 (CNN)，该网络使用标记的 T1c 数据进行训练，其中基本事实 BM 分割由放射科医生提供。本研究旨在通过一种基于嘈杂学生的自训练策略来推进该框架，以利用大量未标记的 T1c 数据（即没有 BM 分割或检测的数据）。因此，该工作 (1) 描述了学生和老师 CNN 架构，(2) 介绍了数据和模型噪声机制，以及 (3) 引入了一种新颖的伪标记策略，考虑到框架学习到的 BM 检测灵敏度。最后，它描述了一种利用这些组件的半监督学习策略。我们使用 217 个标记和 1247 个未标记的 T1c 检查通过 2 倍交叉验证进行了验证。仅使用标记检查的框架在 90% 的 BM 检测灵敏度下产生了 9.23 个假阳性；而使用引入的学习策略的框架在相同灵敏度水平下导致错误检测减少约 9%（即 8.44）。此外，虽然使用 75% 和 50% 标记数据集的实验导致算法性能下降（分别为 12.19 和 13.89 个假阳性），但使用嘈杂的学生训练策略的影响不太明显（分别为 10.79 和 12.37 个假阳性）。
基于EEG的情绪识别和情感激活模式的自加权半监督分类
摘要 - 在基于脑电图（EEG）的情感脑 - 计算机界面（ABCIS）中，存在一种共识，即从不同频段和通道中提取的EEG特征在情绪表达中具有不同的能力。此外，脑电图是如此弱和非平稳，很容易导致在不同时间收集的脑电图数据的分布差异；因此，有必要探索跨节情绪识别中的情感激活模式。为了解决这两个问题，我们提出了本文中的自加权半监督分类（SWSC）模型，用于基于联合EEG的基于EEG的跨演奏情绪识别和情感激活模式挖掘，其合并包括：1）使用不同的会话中的标记和不受欢迎的样本，以获得更好的捕获数据特征，以获得更好的捕获数据特征； 2）引入一个自加权变量，以自适应地学习脑电图的重要性； 3）挖掘激活模式，包括基于学识渊博的自加权
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
使用对比后 T1 加权图像结合基于云的 3D 卷积神经网络开发全自动胶质瘤分级流程
摘要：胶质瘤是最常见的脑肿瘤类型，其等级影响其治疗政策和预后。因此，人们已经研究了基于人工智能的肿瘤分级方法。然而，在大多数研究中，都进行了二维（2D）分析和手动肿瘤区域提取。此外，使用医学图像的深度学习研究在收集图像数据和准备硬件方面遇到困难，从而阻碍了其广泛使用。因此，我们开发了一个 3D 卷积神经网络 (3D CNN) 流水线，通过使用 NVIDIA 提供的预训练 Clara 分割模型和我们原始的分类模型，实现全自动胶质瘤分级系统。在该方法中，使用 Clara 分割模型提取脑肿瘤区域，并将使用该提取区域创建的感兴趣体积 (VOI) 分配给分级 3D CNN 并分类为 II、III 或 IV 级。通过使用 46 个区域进行评估，所有肿瘤的分级准确率为 91.3%，与使用多序列的方法相当。提出的流水线方案可以通过结合预训练的 3D CNN 和我们原来的 3D CNN 在单个序列中创建全自动胶质瘤分级流水线。
智能手机对弥散加权成像的可靠性——...
背景：使用安装在智能手机上的医疗应用程序可以查看高质量的神经图像。虽然发现智能手机和台式电脑显示器之间的设备间一致性有利于评估计算机断层扫描图像，但没有用于弥散加权成像 (DWI) 的设备间一致性数据。目的：我们的研究旨在比较使用 Join 智能手机应用程序和使用台式电脑显示器对 DWI 的解释，包括设备间和评分者间一致性以及所用解释时间。方法：两名血管神经科医生使用 Join 智能手机应用程序和台式电脑显示器对连续患有大脑中动脉区域急性卒中患者的 DWI 缺血性变化进行分级。血管神经科医生对所有患者信息均不知情。根据日本神经血管内治疗协会的标准，每张图像被归类为弥散加权成像-阿尔伯塔卒中计划早期计算机断层扫描评分 (DWI-ASPECTS) ≥ 7 或 DWI-ASPECTS <7。我们分析了 DWI-ASPECTS 的设备间一致性和评定者间一致性。比较了 Join 智能手机应用程序和台式电脑显示器评估的 DWI-ASPECTS 的解释时间。结果：我们分析了 111 名患者（66% 为男性；中位年龄 = 69 岁；入院时美国国立卫生研究院卒中量表评分中位数 = 4）的图像。智能手机和台式电脑显示器之间关于 DWI-ASPECTS 的设备间一致性良好（血管神经科医生 1：κ =0.777，P <.001，血管神经科医生 2：κ =0.787，P <.001）。智能手机（κ =0.710，P <.001）和台式电脑显示器（κ =0.663，P <.001）的评定者间一致性也令人满意。智能手机和台式电脑显示器之间的平均解释时间相似（血管神经科医生 1：1.7 分钟 vs 1.6 分钟；P =.64）；血管神经科医生 2：2.4 分钟 vs 2.0 分钟；P =.14）。结论：使用智能手机应用程序可让血管神经科医生准确快速地估计 DWI-ASPECTS。Join medical 智能手机应用程序在急性中风管理方面显示出巨大的潜力。
使用MRILAB模拟的大脑T2加权神经图像中的参数来评估图像特征
已经对用于调整磁共振成像（MRI）参数的技术进行了研究，以获取具有更好特征的图像。在这项研究中，我们旨在通过使用用户友好的MRILAB模拟程序来调整翻转角度，激发次数（NEX）和带宽（BW）来确认人脑T2加权图像的最佳参数值。我们还考虑了噪声水平和相似性评估参数。根据结果，随着NEX的增加和BW的降低为90°，噪声水平和相似性评估得到了改善，而它们的最佳状态不太最佳，而不是90°的翻转角度。发现过多的参数变化会在此类图像中引起额外的噪声和伪影，从而导致图像清晰度恶化。因此，我们确认设置适当的参数在磁共振图像采集中至关重要。
基于EEG的情绪识别，使用改进的加权水平可见度图
摘要：近年来，情感识别是一个充满挑战和活跃的研究领域，已获得相当大的认识。在这项研究中，试图从脑电图（EEG）信号中提取复杂的网络特征以进行情绪识别。我们提出了一种基于角度测量的向前加权水平可见度图（FWHVG）和向后加权的水平可见度图（BWHVG）的新方法。使用两种类型的复杂网络来提取网络功能。然后，将两个特征矩阵融合到单个特征矩阵中以对脑电图进行分类。基于拟议方法的复杂网络特征和唤醒维度的平均情绪识别精度为97.53％和97.75％。与时间域特征相结合时，所提出的方法的价为98.12％和98.06％的分类精度为98.06％。