XiaoMi-AI文件搜索系统
World File Search Systemimages
小儿脑肿瘤分类使用儿童脑肿瘤网络的MR图像深入学习
背景和目的：脑肿瘤是儿童癌症死亡的主要原因之一。基于MR图像的初始诊断对于放射科医生来说可能是一项具有挑战性的任务，具体取决于肿瘤类型和位置。深度学习方法可以通过预测肿瘤类型来支持诊断。材料和方法：使用了来自“儿童脑肿瘤网络”（CBTN）数据的子集（181个受试者），包括炎症和前肿瘤，主要肿瘤类型为低度星形胶质细胞瘤，雌雄同体症状，雌雄同体和髓母细胞瘤。T1W-GD，T2-W和ADC MR序列分别使用。分类是在2D MR图像上使用四个不同的现成深度学习模型和定制设计的浅网络进行的，所有网络均在成人MR图像上进行了预训练。联合融合被实施以结合图像和年龄数据，并计算出肿瘤类型的预测。Matthew的相关系数（MCC），准确性和F1分数用于评估模型的性能。使用梯度加权类激活映射（GRAD-CAM）的模型解释性，并量化了网络对肿瘤区域的关注。结果：在考虑仅考虑INFRATENTOIRALION肿瘤时，接受T2-W或ADC MR图像进行培训时，浅层自定义网络在T2-W或ADC MR图像中的培训最高（ADC的MCC：0.71，T2-W），T2-W），T2-W），INFRA和Sopratentorial Tumors（MCC：0.70 for ADC和0.50 for ADC和0.57）。结论：可以使用深度学习来完成MR图像上小儿脑肿瘤的分类，并且年龄信息的融合改善了模型性能。
机会性流体天线通过团队访问...
抽象学习神经网络仅使用很少的可用信息是进口研究主题，具有巨大的应用潜力。在本文中，我们引入了一个强大的正规化程序，用于成像中反问题的变异建模。我们的常规器称为贴剂归一化流动器（PatchNR），涉及在很少的图像的小斑块上学习的归一化流。尤其是训练独立于考虑的逆问题，因此可以适用于在同一类图像上作用的不同远期操作员。通过研究斑块的分布与整个图像类别的分布，我们证明我们的模型确实是最大的后验方法。低剂量和限量角度计算机断层扫描（CT）以及材料图像的上溶质的数值示例表明，我们的方法提供了非常高质量的结果。该训练集仅包含六个用于CT的图像和一张用于超分辨率的图像。最后，我们将PatchNR与内部学习的想法结合在一起，直接从低分辨率观察中执行自然图像的超分辨率，而无需了解任何高分辨率图像。
原始研究文章的安全传输灰度图像带有触发错误的视觉共享
在当今的数字世界中，图像和文档通过电子邮件，社交网络和整个互联网广泛传输。保护文档和图像的敏感性和机密性已成为传输时的主要问题。交流的参与者可能不知道图像是否由第三方访问。网络攻击者利用网络和安全功能的弱点，并尝试访问数据。在医疗行业中，受保护的健康信息（PHI）需要安全性。PHI包括患者的个人资料，健康信息，信用卡详细信息，医疗图像和其他图像。《健康信息隐私与问责制法》（HIPAA）标准为医疗保健从业人员提供了指南，以采取措施确保健康信息免受安全风险。调查说，医疗组织连续第十一年经历了数据泄露的平均成本最高。
近红外图像辐射质量评估方法...
摘要。无人驾驶飞行器适用于各种摄影测量和遥感任务。此类平台配备了各种在可见光和红外光谱范围内成像的光电传感器以及热传感器。如今，从低空获取的近红外 (NIR) 图像通常用于制作精准农业等的正射影像图。一个主要问题是使用低成本定制和紧凑型 NIR 相机，广角镜头会引入渐晕。在许多情况下，此类相机会根据照明条件获取低辐射质量图像。本文介绍了一种从定制传感器对低空 NIR 图像数据进行辐射质量评估的方法。该方法利用 NIR 图像的统计分析。用于分析的数据是从不同高度、不同天气和光照条件下获取的。研究结果确定了客观的 NIR 图像质量指数。使用该指数获得的结果可以将图像分为三类：辐射质量好、中等和低。通过分类可以确定所获取图像的先验误差，并评估是否需要重新进行摄影测量飞行。© 2018 光学仪器工程师协会 (SPIE) [DOI：10 .1117/1.JRS.12.015008]
分割任何模型（SAM）到分段超声图像的能力
超声（US）图像的自动分割可以帮助筛查，诊断和评估预后。但是，由于以下困难，准确的美国细分是一个挑战。首先，美国图像通常患有低信噪比（SNR）（1）和不均匀强度分布（2）。第二，由于美国探针与身体表面之间的接触不足或存在干扰扫描的组织界面的解剖结构，阴影是常见的发生（3）。这些阴影区域具有低强度或深色像素，通常是解剖区域和病变不可或缺的（4）。如图1所示，在美国图像中经常观察到阴影伪像和模棱两可的病变边界，对准确的美国分割提出了重大挑战。最近，已经提出了元AI的任何模型（SAM）（5），作为自然图像分割的可促进基础模型，并最少。SAM是一种深度学习模型（基于变压器），已接受大量图像和面具的培训 - 超过1
一种用于早期增强心脏 CT 图像中心肌纤维化检测的深度学习方法
1 意大利米兰 Monzino IRCCS 心脏病学中心围手术期心脏病学和心血管成像系，2 意大利米兰理工大学电子、信息与生物医学工程系，3 意大利米兰 IRCCS Policlinico San Donato 心脏病学系，4 意大利比萨 Sant'Anna 高等学校生物机器人研究所和机器人与人工智能卓越系，5 意大利米兰大学临床科学与社区健康系心血管科，6 意大利墨西拿“G. Martino”大学医院生物医学科学和形态与功能成像系，7 荷兰乌得勒支大学乌得勒支大学医学中心心脏病学系、心肺分部，8 荷兰海牙 Haga 教学医院心脏病学系，9 Istituto Auxologico 心脏病学系Italiano IRCCS，意大利米兰
视网膜图像的深度学习能否增强已知的糖尿病心血管疾病预测风险因素？苏格兰国家筛查计划的一项前瞻性队列研究
目的：本研究旨在评估对糖尿病视网膜病变筛查计划中的视网膜照片进行深度学习 (DL) 是否能改善对心血管疾病 (CVD) 发病率的预测。方法：训练 DL 模型以联合预测未来 CVD 风险和 CVD 风险因素，并用于输出 DL 分数。包括有和没有 DL 分数的临床风险因素的泊松回归模型分别适用于 1 型糖尿病 (T1DM) 和 2 型糖尿病 (T2DM) 中 2,072 例和 38,730 例 CVD 事件的研究队列。结果：DL 评分与 CVD 发病率独立相关，在 T1DM 和 T2DM 队列中，调整后的标准化发病率比分别为 1.14（P = 3 × 10 − 04 95 % CI（1.06, 1.23））和 1.16（P = 4 × 10 − 33 95 % CI（1.13, 1.18））。有和没有 DL 评分的模型之间的预测性能差异具有统计学意义（检验对数似然的差异为 6.7 和 51.1 个自然对数单位），但 T1DM 和 T2DM 的 C 统计量从 0.820 到 0.822 和从 0.709 到 0.711 的增量很小。结论：这些结果表明，对于糖尿病患者，视网膜照片包含有关未来 CVD 风险的信息。然而，为了使其对 CVD 的临床预测做出显著贡献，需要评估进一步的方法，包括利用序列图像。
在CT图像中具有缺血和出血检测，具有分类模型的超参数优化和改进的UNET分割模型
抽象深度学习是一种强大的技术，已应用于使用医学成像进行中风检测。中风是一种医疗状况，当大脑的血液供应中断时，会导致脑部损伤和其他严重的并发症。中风检测对于最大程度地减少损害并改善患者预后很重要。中风检测最常见的成像方式之一是CT（计算机断层扫描）。ct可以提供大脑的详细图像，可用于识别中风的存在和位置。深度学习模型，尤其是卷积神经网络（CNN），已经显示出使用CT图像检测中风的希望。这些模型可以学会自动识别图像中指示中风的模式，例如梗塞或出血的存在。在CT图像中用于中风检测的深度学习模型的一些示例是U-NET，通常用于医疗图像分割任务，而CNN已经过训练，这些CNN已经过训练，可以将脑CT图像分类为正常或异常。这项研究的目的是确定在没有造影剂的情况下拍摄的脑CT图像的中风类型，即闭塞（缺血）或出血（出血）。中风图像，并由医学专家构建数据集。深度学习分类模型通过超参数优化技术评估。并使用改进的UNET模型进行了分割，以可视化CT图像中的中风。分类模型，VGG16获得了％94成功。UNET模型达到了％60 iou，并检测到缺血和出血差异。
在八颗图像上进行自我监督后和之后的定量分析
•光学相干断层扫描（OCTA）图像的质量对于准确解释视网膜脉管形态变化至关重要，并影响定量分析结果。•我们在deno的八八图图像上展示了研究定量参数的重复性，例如血管密度（VD）和灌注密度（PD）的重复性。方法•对噪声2Void [1]和适应性构造noise2Void [2]进行自我监督的脱氧，训练以考虑空间相关的噪声结构。•3D和2D U-NET分别用于3D八八个体积和2D平板Denoising。•使用Plex®Elite9000 SS-OCT（CA Zeiss，Dublin，CA）的500 A-线×500 B型扫描血管扫描。用于训练模型，将来自浅表，深，视网膜和绒毛膜的54×4图像用于2D平板降级，并使用54×500 b-扫描用于3D体积。•在3D体积降解后进行多层分割，并产生EN脸部八板。•基于EN脸部图像的自动阈值用于获取用于VD和PD测量的二进制图像。vd和pd是在降解前后在视网膜平板的6 mm圆（图1）中计算的。•测量变异系数（CV），以测试降解前后视网膜平板上定量分析的重复性。CV的减少表示可重复性的提高。
证据概述：早期价值评估——用于分析胸部 X 光片图像的人工智能软件
放射科专家使用辅助 AI 软件进行胸部 X 光检查的说明性路径与此处介绍的仅由放射科专家进行的胸部 X 光检查的结构相同。如果使用软件进行分类，则可以在胸部 X 光检查之前添加一个额外步骤。