XiaoMi-AI文件搜索系统
World File Search Systemdenoising
基于人工智能CNN的去噪对FDG PET放射组学的影响
成像方式如今已成为医学中必不可少的诊断工具。从 2009 年到 2019 年，美国的 CT、MRI 和 PET 检查数量分别增加了约 18%、42% 和 105%（1）。这种不断增长的需求已经超过了实际供应，导致法国/欧洲的 MRI 和 PET 扫描不合理地延迟了数周甚至数月（2）。适当的图像去噪可能有助于减少扫描时间，甚至减少 PET 的注射剂量。它可以增加检查次数，而不会影响太多工作时间或需要安装新的医学成像设备。深度学习作为人工智能 (AI) 的一个分支，可以构建有前景的去噪模型。我们专注于 PET 成像，因为它的扫描时间较长，因此去噪效果会更好。尽管许多研究实际上都在研究这种方法的临床表现，但它也可能影响其他新兴领域，如基于成像的预测模型、放射组学和其他 AI 应用 (3)。医学图像基本上是基于其密度 (CT)、磁性 (MRI) 或功能信息 (PET/SPECT) 的不同灰度级的视觉表示。灰度值的分布表征了信息的异质性。一个快速发展的领域称为放射组学，它提供了一种从图像中提取基于强度、形状、纹理的不同特征的方法，以构建预测模型 (4)。这种方法有望预测患者的结果。它们可能允许个性化治疗。例如，在肺癌中计算了一个包括放射组学特征的总体生存预测模型（5）。2013 年至 2018 年间，该领域的发表论文年增长率为 177.82%（6）。这些模型非常有前景，但仍需付出一些努力才能在常规临床环境中转化和实施它们（7）。人工智能在医学成像领域的应用尚处于早期阶段。在本文中，我们使用了深度学习，更具体地说是卷积神经网络方法，它们代表了人工智能技术的一个细分领域。如今，深度学习在图像重建、处理（去噪、分割）、分析和预测建模中发挥着关键作用。这些应用在未来将得到进一步发展（8）。在大多数这些任务中，它们的表现往往优于更传统的方法 ( 9 )。将这种基于 AI 的 PET/MR 去噪算法与临床数据进行比较，发现对比度与噪声比增加了 46.80 ± 25.23%，而仅使用高斯滤波器的对比度与噪声比仅为 18.16 ± 10.02%（10）。在（10）中研究的其他方法，如引导非局部均值、块匹配 4D 或深度解码器，分别将 CNR 提高了 24.35 ± 16.30%、38.31 ± 20.26% 和 41.67 ± 22.28%。也可以在重建期间执行去噪，但这无法在现有机器上实现。最重要的限制是所有这些方法都缺乏 FDA 或 CE 认证。我们的研究重点是 Subtle PET™（Subtle Medical，美国斯坦福，由法国 Incepto 提供）。它是一款经 FDA 和 CE 批准的 FDG PET（11）后处理去噪软件，基于卷积神经网络（CNN），这是最常见的图像处理深度学习架构。
未经训练的感知损失，用于MR图像中线状结构的图像降级
在获取磁共振（MR）图像中，较短的扫描时间会导致更高的图像噪声。因此，使用深度学习方法自动图像降解是高度兴趣的。在这项工作中，我们集中于包含线状结构（例如根或容器）的MR图像的图像。特别是，我们研究了这些数据集的特殊特征（连接性，稀疏性）是否受益于使用特殊损失功能进行网络培训。我们特此通过比较损失函数中未经训练的网络的特征图将感知损失转换为3D数据。我们测试了3D图像降级的未经训练感知损失（UPL）的表现，使MR图像散布脑血管（MR血管造影-MRA）和土壤中植物根的图像。在这项研究中，包括536个MR在土壤中的植物根和450个MRA图像的图像。植物根数据集分为380、80和76个图像，用于培训，验证和测试。MRA数据集分为300、50和100张图像，用于培训，验证和测试。我们研究了各种UPL特征的影响，例如重量初始化，网络深度，内核大小以及汇总结果对结果的影响。，我们使用评估METIC，例如结构相似性指数（SSIM），测试了四个里奇亚噪声水平（1％，5％，10％和20％）上UPL损失的性能。我们的结果与不同网络体系结构的常用L1损失进行了比较。我们观察到，我们的UPL优于常规损失函数，例如L1损失或基于结构相似性指数（SSIM）的损失。对于MRA图像，UPL导致SSIM值为0.93，而L1和SSIM损耗分别导致SSIM值分别为0.81和0.88。UPL网络的初始化并不重要（例如对于MR根图像，SSIM差异为0.01，在初始化过程中发生，而网络深度和合并操作会影响DeNo的性能稍大（5卷积层的SSIM为0.83，而核尺寸为0.86，而5卷积层的0.86 vs. 0.86对于根数据集对5卷积层和5卷积层和内核尺寸5）。我们还发现，与使用诸如VGG这样的大型网络（例如SSIM值为0.93和0.90）。总而言之，我们证明了两个数据集，所有噪声水平和三个网络体系结构的损失表现出色。结论，对于图像
通过知识增强的denoising扩散迈向城市流量的生成建模
尽管生成的AI在许多领域都取得了成功，但对地理空间数据进行建模仍然没有驱动。Urban Flow是一种典型的地理空间数据，对于从公共安全和交通管理到城市规划的广泛应用至关重要。现有的研究主要集中于城市流量的预测建模，该模型基于历史流数据来预测未来流量，这可能在数据范围内或新计划的地区无法使用。其他一些研究旨在预测区域之间的OD流量，但它们无法模拟城市流动的动态变化。在这项工作中，我们研究了一个新的城市流量产生问题，该问题为没有历史流数据的地区产生动态的城市流动。为了捕获多种因素对城市流量的影响，例如地区特征和城市环境，我们采用扩散模型来为不同条件下的地区生成城市流量。我们首先构建了一个城市知识图（UKG），以建模城市环境和区域之间的关系，基于我们设计一个知识增强的时空分化模型（KSTDIFF），以生成每个地区的城市流量。具体来说，要准确地为具有不同流量的区域生成城市流量，我们设计了一个由体积估计器引导的新型扩散过程，该过程是可学习的，并且针对每个区域进行了自定义。此外，我们提出了一个知识增强的denoising网络，以捕获城市流量的时空依赖性以及城市环境在deNoising过程中的影响。我们的代码在四个现实世界数据集上进行了广泛的实验，这是我们模型比城市流量产生的最先进基线的优越性。进一步的深入研究证明了产生的城市流量数据的实用性以及我们模型对长期流量产生和城市流动预测的能力。
使用去噪扩散概率模型生成真实的神经生理时间序列
近年来，深度生成模型对工程和科学产生了深远的影响，彻底改变了图像和音频生成等领域，并提高了我们建模科学数据的能力。特别是，去噪扩散概率模型 (DDPM) 已被证明可以准确地将时间序列建模为复杂的高维概率分布。实验和临床神经科学也将受益于这一进步，因为准确建模神经生理时间序列，例如脑电图 (EEG)、皮层电图 (ECoG) 和局部场电位 (LFP) 记录及其合成生成可以实现或改进各种神经科学应用。在这里，我们提出了一种使用 DDPM 建模多通道和密集采样的神经生理记录的方法，该方法可以灵活地应用于不同的记录模式和实验配置。首先，我们表明 DDPM 可以为各种数据集 11 生成逼真的合成数据，包括不同的记录技术（LFP、ECoG、EEG）和物种（大鼠、猕猴、人类）。DDPM 生成的时间序列准确捕获单通道和多通道统计数据，例如频谱和 13 相位幅度耦合，以及细粒度和数据集特定特征，例如尖锐的波纹。14 此外，可以根据实验条件或大脑状态等其他信息生成合成时间序列。我们展示了 DDPM 在几种神经科学特定分析中的实用性和灵活性，例如大脑状态分类和缺失通道的归纳以改进神经解码。总之，DDPM 可以作为神经生理记录的精确生成模型，并且在概率生成合成时间序列以用于神经科学应用方面具有广泛的实用性。20
使用deno的扩散概率模型
设计自由形式的光子设备是一个充满挑战的主题，因为结构性自由的高度。在这里，我们提出了一种新算法，该算法使用伴随灵敏度分析和扩散模型对光子结构进行操作。我们证明，将伴随梯度值整合到非授权过程中，可以生成高性能设备结构。我们的方法可以通过合并在遵循制造约束的合成图像上训练的扩散模型来优化少量模拟的结构。与常规算法相比，我们的方法消除了对复杂的二进制化和圆锥过滤器的需求，克服了本地Optima的问题，并提供了多种设计选项。尽管具有固有的随机性，但我们的算法稳健地设计了高性能设备，并且优于最先进的非线性算法。
研究论文：使用混合Denoising方法
结果：模拟是在抑郁症的实际脑电图数据库上进行的，以证明所提出的技术的影响。为了得出结论所提出的技术的疗效，SNR和MAE已被确定。获得的结果表明，联合EMD-DFA-WPD技术的MAE的信噪比和较低的MAE值较低。此外，基于随机的森林和SVM（基于支持矢量机）的分类显示，该提议的Denoising技术的精度提高了98.51％和98.10％。与拟议的方法相比，EMD-DFA的精度分别为98.01％和95.81％，EMD与DWT技术相当于98.0％和97.21％的RF和SVM技术。此外，将两个分类器的分类性能进行了比较，也没有降级以突出提出的技术的效果。
病变和非病变脑疾病功能连接 MRI 数据的去噪策略
。CC-BY-NC-ND 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
使用生成对抗网络和对比度学习
摘要 - 巨型镜像通常会遭受高水平的噪声，这可能会阻碍进一步的分析和解释。已经提出了解决此问题的内容感知图像恢复（CARE）方法，但是它们通常需要大量的培训数据并遭受过度填充。为了提出这些挑战，我们提出了一个新颖的框架，用于几个射击显微镜图像denoising。我们的方法结合了通过对比度学习（CL）训练的生成对抗网络（GAN）与两个结构保留损失项（结构相似性指数和总变异损失），以进一步使用很少的数据进一步提高DeNO.图像的质量。我们证明了我们的方法在三个知名的显微镜成像数据集上的有效性，并表明我们可以在保留脱索质量的同时大大减少训练数据的量，从而减轻获取配对数据的负担并实现几乎没有射击学习。提出的框架可以轻松扩展到其他图像恢复任务，并有可能显着推进显微镜图像分析的领域。
通过降级扩散驱动的神经代表
摘要。最近，在便携式低场（LF）磁共振成像（MRI）系统的降低方面取得了显着进步。这些系统旨在提供低成本，非屏蔽和床侧诊断解决方案。MRI在降低的田间强度下经历了信噪比（SNR）的降低，从而导致严重的信号恶化和重建不良。因此，由于任务的性质不佳，从低场MRI重建高场等效图像是一个复杂的挑战。在本文中，我们引入了扩散模型驱动的神经表示。我们将低场MRI增强问题分解为数据一致性子问题和先前的子问题，并在迭代框架中解决它们。扩散模型提供了高质量的高场（HF）MR图像，而隐式神经表示确保了数据一致性。实验结果对模拟的LF数据和临床LF数据的结果表明，我们所提出的方法能够实现零摄像的LF LF MRI增强功能，从而显示出一些临床应用的潜力。
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。