XiaoMi-AI文件搜索系统
World File Search Systemfetal
通过 3D 超声扫描自动测量胎儿颅内容积
三维胎儿超声通常用于研究大脑结构的体积发育。迄今为止，只有有限数量的自动程序可用于描绘颅内容积。因此，三维超声图像中的颅内容积测量主要通过手动完成。在这里，我们介绍并验证了一种从三维胎儿超声扫描中提取颅内容积的自动化工具。该程序基于将大脑模型与受试者大脑进行配准。受试者的颅内容积是通过将最终变换的逆应用于大脑模型的颅内掩模来测量的。自动测量结果与同一受试者在两个孕周（即大约 20 和 30 周）的手动描绘结果显示出高度相关性（线性拟合 R 2（20 周）= 0.88，R 2（30 周）= 0.77；组内相关系数：20 周 = 0.94，30 周 = 0.84）。总体而言，自动颅腔容积大于手动划定的颅腔容积（84 ± 16 cm 3 vs. 76 ± 15 cm 3 ；274 ± 35 cm 3 vs. 237 ± 28 cm 3 ），这可能是由于小脑划定的差异所致。值得注意的是，自动测量结果既复制了胎儿大脑生长的非线性模式，也复制了年龄较大胎儿的个体间差异性增加。相比之下，在性别二态性差异的大小方面，手动和自动划定之间存在一些分歧。本文介绍的方法提供了一种相对有效的自动划定胎儿大脑结构（如颅腔容积）体积的方法。它可以用作研究工具，在大型队列中研究这些结构，最终有助于了解胎儿结构性人脑发育。
使用深度学习在 3D 超声中对胎儿大脑进行皮层下分割
通过 3D 胎儿超声对皮层下体积发育进行量化，可以在妊娠监测期间提供重要的诊断信息。然而，由于软组织对比度低、斑点和阴影伪影，手动分割超声体积中的皮层下结构非常耗时且具有挑战性。为此，我们开发了一个卷积神经网络 (CNN)，用于从 3D 超声中自动分割脉络丛 (CP)、侧脑室后角 (LPVH)、透明隔腔和颈内膜 (CSPV) 和小脑 (CB)。由于真实标签稀缺且获取成本高昂，我们应用了小样本学习，其中仅使用少量手动注释 (n = 9) 来训练 CNN。我们比较了仅使用少数单独注释的体积来训练 CNN 与使用基于图谱的分割获得的许多弱标记体积来训练 CNN。这表明，仅需少量手动注释即可获得接近观察者内变异性的分割性能。最后，将训练后的模型应用于大量（n = 278）来自多样化健康人群的超声图像体积，获得了妊娠中期各个结构新的超声特定生长曲线。
从磁共振成像中对胎儿大脑进行半自动分割
1. Wu Y、Lu YC、Jacobs M、Pradhan S、Kapse K、Zhao L 等人。产前母亲心理困扰与胎儿大脑生长、代谢和皮质成熟的关系。JAMA Netw open。2020；3：e1919940–e1919940。doi：10.1001/jamanetworkopen.2019.19940 2. Ebner M、Wang G、Li W、Aertsen M、Patel PA、Aughwane R 等人。胎儿脑部 MRI 定位、分割和超分辨率重建的自动化框架。神经影像。2020；206。 doi:10.1016/j.neuroimage.2019.116324 3. Goldberg E、McKenzie CA、de Vrijer B、Eagleson R、de Ribaupierre S。胎儿对母亲内部听觉刺激的反应。J Magn Reson Imaging。2020 年；1-7。doi:10.1002/jmri.27033 4. Ebner M、Wang G、Li W、Aertsen M、Patel PA、Aughwane R 等人。胎儿脑 MRI 的自动定位、分割和重建框架。医学图像计算和计算机辅助干预。Cham；2018 年，第 313-320 页。5. Avants B、Tustison N、Johnson H。高级规范化工具 (ANTS)。Insight J。2009 年； 1–35。6. Avants BB、Epstein CL、Grossman M、Gee JC。具有互相关的对称微分同胚图像配准：评估老年人和神经退行性脑部的自动标记。Med Image Anal。2008；12：26–41。doi：https://doi.org/10.1016/j.media.2007.06.004 7. Jenkinson M、Smith S。一种用于脑部图像稳健仿射配准的全局优化方法。Med Image Anal。2001；5：143–156。 doi:https://doi.org/10.1016/S1361- 8415(01)00036-6 8. Jenkinson M、Bannister P、Brady M、Smith S。改进的优化方法，以实现脑图像的稳健和精确线性配准和运动校正。神经影像。2002；17：825-841。doi:https://doi.org/10.1006/nimg.2002.1132 9. Klein A、Andersson J、Ardekani BA、Ashburner J、Avants B、Chiang MC 等人。评估 14 种非线性变形算法在人脑 MRI 配准中的应用。神经影像。2009；46：786-802。 doi:10.1016/j.neuroimage.2008.12.037 10. Nosarti C、Murray RM、Hack M 编辑。早产的神经发育结果。剑桥：剑桥大学出版社；2010 年。doi:10.1017/CBO9780511712166 11. Blencowe H、Lee ACC、Cousens S、Bahalim A、Narwal R、Zhong N 等。2010 年区域和全球范围内早产相关神经发育障碍估计值。儿科研究。2013；74：17–34。doi:10.1038/pr.2013.204
通过人工智能分析胎儿脑超声的成熟度特征来估计孕龄
背景：最佳的产前护理依赖于准确的孕周估算。在妊娠头三个月后，目前孕周估算方法的准确性随着孕周的增加而降低。考虑到在许多国家，由于预约较晚、产前护理机会不频繁以及无法进行早期超声检查，仍然难以获得妊娠头三个月的头臀长，开发准确的妊娠中期和晚期孕周估算方法仍然是胎儿医学中尚未解决的挑战。目的：本研究旨在评估一种基于对标准颅脑超声切片上胎儿大脑形态的自动分析的人工智能方法与使用标准胎儿生物测量技术的现行公式相比，在估计中期和晚期胎儿孕周方面的表现。研究设计：使用 1394 名接受常规胎儿超声检查的患者的丘脑轴平面标准图像开发一种人工智能方法，通过分析胎儿大脑信息自动估计妊娠周龄。我们将其性能（单独使用或与胎儿生物特征参数结合使用）与 4 种目前使用的胎儿生物特征公式进行了比较，这些公式来自 1992 名接受第二次（n=1761）或第三次检查的患者的 3065 次扫描
用深神经网络在MRI上对胎儿大脑的自动线性测量
在胎儿脑MRI的常规临床评估中使用的三个关键生物识别线性测量值是脑双发直径（CBD），骨双发性直径（BBD）和跨小脑直径（TCD）。这些措施是根据既定指南[3,4]手动对临床医生进行的单独MRI参考切片进行的，这与基于US的基于US的测量指南不同，指定了如何建立扫描成像平面，如何在每个测量中选择此卷中的参考切片，以及如何识别两个解剖学测量值以识别线性测量值。CBD和BBD测量值是在同一切片上进行的，并垂直于中间线（MSL）绘制。通过在胎儿脑小脑轮廓上选择两个抗斑点地标点，在不同的参考切片上测量TCD，从而给出小脑的直径。
在第三个孕期中C肽的重新出现在1型糖尿病妊娠中：胰腺再生还是胎儿过度胰岛素？ 大脑体积的数据驱动模型变化的进行性核上麻痹 用于软机器人应用的弹性充气执行器 心脏的形成：在单细胞分辨率下定义心肌细胞祖细胞 大脑通信 零售供应链中的竞争合同设计需求不确定性
作者的完整清单：Meek，Claire;剑桥大学，代谢科学研究所； Addenbrooke医院，沃尔夫森糖尿病和内分泌部和临床生物化学。Oram，Richard A；皇家德文郡和埃克塞特医院，糖尿病研究系麦当劳，蒂莫西J；皇家德文郡和埃克塞特医院，糖尿病研究系； Denice糖尿病研究系Feig皇家德文郡和埃克塞特NHS基金会信托基金；西奈山医院 - 蒙特利尔哈特斯利，安德鲁·T；皇家德文郡和埃克塞特医院，糖尿病研究部墨菲，海伦R；东安格利亚大学，诺里奇医学院；伦敦国王学院，妇女和儿童健康系； Addenbrooke医院，沃尔夫森糖尿病和内分泌诊所Oram，Richard A；皇家德文郡和埃克塞特医院，糖尿病研究系麦当劳，蒂莫西J；皇家德文郡和埃克塞特医院，糖尿病研究系； Denice糖尿病研究系Feig皇家德文郡和埃克塞特NHS基金会信托基金；西奈山医院 - 蒙特利尔哈特斯利，安德鲁·T；皇家德文郡和埃克塞特医院，糖尿病研究部墨菲，海伦R；东安格利亚大学，诺里奇医学院；伦敦国王学院，妇女和儿童健康系； Addenbrooke医院，沃尔夫森糖尿病和内分泌诊所
多组学分析揭示了胎羊肠道中存在微生物组
摘要 目的 微生物暴露对新生儿和婴儿的发育、生长和免疫至关重要。然而，胎儿出生前肠道中是否存在微生物组仍存在争议。本研究以足月无菌子宫切除术分娩的羔羊为动物模型，使用多组学方法研究产前肠道中微生物组的存在。设计 羔羊在无菌剖腹产后立即安乐死，并在无菌条件下获取其盲肠内容物和脐带血样本。使用宏基因组学和宏转录组测序评估盲肠内容物样本，以表征任何现有的微生物组。两种样本类型都使用代谢组学进行分析，以检测微生物代谢物。结果 我们在产前胎儿肠道中检测到了低多样性和低生物量的微生物组，主要由属于变形菌门、放线菌门和厚壁菌门的细菌组成。大肠杆菌是胎儿肠道中最丰富的菌种。我们还检测到多种微生物代谢物，包括短链脂肪酸、脱氧野尻霉素、丝裂霉素和妥布霉素，进一步表明存在代谢活跃的微生物群。此外，在胎儿肠道中检测到噬菌体 phiX174 和 Orf 病毒以及抗生素抗性基因，这表明携带抗生素抗性基因的噬菌体、病毒和细菌可以在妊娠期间从母亲传播给胎儿。结论这项研究提供了强有力的证据，表明胎儿肠道中存在微生物群，并且胎儿肠道的微生物定植始于子宫内。
基于 INTERGROWTH‐21 世纪项目胎儿生长纵向研究的连续超声测量的胎儿大脑结构国际标准
1 英国牛津大学 Nuffield 妇女与生殖健康系；2 英国牛津大学 Green Templeton 学院牛津孕产妇与围产期保健研究所；3 英国牛津大学博特纳研究中心医学统计中心；4 英国牛津大学生物医学工程研究所工程科学系；5 巴西佩洛塔斯天主教大学 P´os-Graduac¸ ˜ao em Sa´ude e Comportamento 项目；6 肯尼亚内罗毕阿迦汗大学健康科学学院；7 阿曼苏丹国马斯喀特卫生部家庭与社区卫生部；8 意大利都灵健康与科学城 SC Ostetricia 2U； 9 印度那格浦尔凯特卡医院那格浦尔 INTERGROWTH-21 研究中心；10 北京大学公共卫生学院，中国北京；11 阿联酋沙迦大学临床营养与饮食学系；12 美国华盛顿州西雅图华盛顿大学妇产科和公共卫生系；13 法国巴黎巴黎笛卡尔大学内克尔儿童疾病医院产科和胎儿医学系；14 加拿大多伦多儿童医院全球儿童健康中心
采用深度学习方法分割胎儿脑部 MRI 中发育皮层，并尽量减少手动标记
我们开发了一个基于深度神经网络的自动化系统，用于快速、灵敏地对胎儿脑 MRI 中的皮质灰质进行 3D 图像分割。缺乏广泛/公开可用的注释是一个关键挑战，因为通常需要大量标记数据来训练具有深度学习的敏感模型。为了解决这个问题，我们：(i) 使用 Draw-EM 算法生成初步组织标签，该算法使用期望最大化，最初设计用于新生儿领域的组织分割；(ii) 采用人机交互方法，由专家胎儿成像注释员评估和改进模型的性能。通过使用将自动生成的标签与专家的手动细化相结合的混合方法，我们扩大了基本事实注释的效用，同时大大降低了它们的成本（283 片）。深度学习系统是在从发展人类连接组项目的胎儿队列中获得的 249 个 3D T2 加权扫描中开发的，这些扫描是在 3T 获得的。系统分析表明，该系统不受扫描时的胎龄影响，因为尽管胎儿皮质形态和强度存在差异，但该系统可以很好地推广到很宽的年龄范围（21-38 周）。还发现该系统不受大脑周围区域（羊水）强度的影响，而羊水通常是胎儿领域神经成像数据处理的主要障碍。关键词：胎儿、发育、大脑、皮质、灰质、3D 分割、深度学习。
胎盘糖原储存和胎儿生长 - 生殖
胎盘在妊娠期间发挥一系列支持胎儿生长的关键功能，包括促进胎儿氧气和营养供应、清除胎儿废物以及调节母体生理的内分泌。胎盘还以糖原的形式储存葡萄糖，糖原的功能尚不清楚。人类胎盘糖原储存异常与妊娠期糖尿病和先兆子痫有关，因此胎盘糖原储存和代谢与病理性妊娠有关。要了解胎盘糖原在正常和复杂妊娠中的作用，我们必须求助于动物模型。小鼠中 40 多种靶向突变表明储存糖原的胎盘细胞存在缺陷，并表明胎盘糖原是胎儿高需求期间所需的易动员葡萄糖来源。然而，目前缺乏直接的功能证据。在这里，我们评估了这些具有胎盘表型的遗传小鼠模型，这些表型与糖原滋养层细胞分化和功能有关，以阐明出现的常见分子途径，并更好地理解胎盘糖原与胎儿生长之间的关系。我们强调了目前在探索有关胎盘糖原储存和代谢的关键问题方面的局限性，并确定了如何通过实验克服这些限制。生殖 (2020) 159 R213–R235