XiaoMi-AI文件搜索系统
World File Search Systemimages
使用经过最低限度预处理的 T1w 图像作为输入的用于预测大脑年龄的深度学习模型
近年来，个体生物年龄（可能与实际年龄不同）的概念引起了医学研究界的极大兴趣，因为衰老是多种与年龄相关的健康状况和死亡的重要风险因素。同一实际年龄的个体之间的健康结果也存在很大的异质性（Jylhävä et al., 2017）。在过去的几十年中，研究强调，由于遗传和环境因素（如生活方式行为）之间复杂的相互作用，人与人之间的生物衰老过程存在差异（Cole et al., 2017, 2019; Fratiglioni et al., 2020）。鉴于整个衰老过程中身体和大脑的持续变化，实际年龄是死亡、慢性疾病和功能障碍的一个关键风险因素（Jylhävä et al., 2017）。大脑中各种与年龄相关的变化与多种神经退行性疾病的发展密切相关，包括阿尔茨海默病 (AD) 和血管性痴呆 (Hou et al., 2019)。与其他与年龄相关的健康状况以及痴呆症领域一样，相同实际年龄的人在症状表现和潜在脑病理方面存在显著的异质性 (Ferreira et al., 2020)。因此，量化生物年龄可能是一种比传统实际年龄更有用的附加指标，可用于识别有患上与年龄相关的疾病风险的个体 (Cole et al., 2019; Tian et al., 2023)。
使用 Vision Transformer 模型根据光学相干断层扫描图像对糖尿病性黄斑病变进行分类
摘要 目的 基于光学相干断层扫描 (OCT) 图像，开发一种 Vision Transformer 模型来检测糖尿病性黄斑病变 (DM) 的不同分期。方法 删除质量较差的图像后，从武汉大学人民医院眼科中心提取共 3319 张 OCT 图像，并按 7:3 的比例随机分成训练集和验证集。所有黄斑横断面扫描 OCT 图像均回顾性收集自 2016 年至 2022 年 DM 患者眼部。在收集的图像上分别标记 DM 的 OCT 分期，包括早期糖尿病性黄斑水肿 (DME)、晚期 DME、重度 DME 和萎缩性黄斑病变。训练基于 Vision Transformer 的深度学习 (DL) 模型来检测 DM 的四个 OCT 分级。结果 我们提出的模型可以提供令人印象深刻的检测性能。我们实现了 82.00% 的准确率、83.11% 的 F1 分数、0.96 的受试者工作特征曲线下面积 (AUC)。对早期DME、晚期DME、重度DME、萎缩性黄斑病变四种OCT分级检测的AUC分别为0.96、0.95、0.87、0.98，准确度分别为90.87%、89.96%、94.42%、95.13%，精密度分别为88.46%、80.31%、89.42%、87.74%，敏感度分别为87.03%、88.18%、63.39%、89.42%，特异度分别为93.02%、90.72%、98.40%、96.66%，F1评分分别为87.74%、84.06%、88.18%、88.57%。结论 我们基于 Vision Transformer 的 DL 模型在检测糖尿病的 OCT 分级方面表现出相对较高的准确率，这可以帮助患者进行初步筛查，以识别病情严重的人群。这些患者需要进一步检查以准确诊断，并及时治疗以获得良好的视力预后。这些结果强调了人工智能在未来协助临床医生制定糖尿病治疗策略方面的潜力。
使用显微镜图像和立体学的超分辨率量化工作温度对电池电极裂解的影响
有许多因素可能会影响电池的降解行为，例如充电循环的数量或充电率。在这里，我们研究了工作温度对锂离子正极电极中微结构结构降解的影响。为此，微型结构的特征是在不同工作温度下在6C（10分钟）下循环的阴极，即20℃，30°C，30°C，40°C和50°C，每种工作条件扫描扫描电子显微镜（SEM）图像（SEM）图像的crossection Elector Simarcopoy（SEM）图像。5 mn 0。3 CO 0。2 O 2（NMC532）电极，以确定结构描述符，例如全局颗粒孔隙率，裂纹尺寸/长度/宽度/宽度分布，孔隙度以及单个颗粒的特定表面积分布。此外，已经部署了一种立体方法来研究局部粒子孔隙度，该孔隙度是距离粒子中心的距离的函数。结果表明，颗粒孔隙度随循环温度的升高而增加。粒子孔隙度在粒子中心最大，沿粒子半径降低至外部。粒子表面积在四个循环温度的老化条件下相似。
缩回：基于计算机视觉和神经网络
摘要。本文使用计算机断层扫描图像对自动检测和定量肺肺气肿和肺炎的定量提出了一种新的方法。提出的方法采用计算机视觉和神经网络算法来提高肺诊断的准确性和速度，以及对肺气肿的监测及其随着时间的变化。研究分析了现有方法，并证明了该方法的新颖性。本文报告了基于专家评估的三种不同患者病例的肺气肿提取和大小测量的高度准确性，并成功地分割了性质严囊硬化。所提出的方法有可能显着改善医学图像分割，特别是在检测和诊断诸如慢性阻塞性肺疾病（COPD）和COVID-19的疾病中。该研究得出的结论是，所提出的方法在医学成像的其他领域也可能有用，这有助于持续开发新的和改进的医学图像分析和解释方法。
硕士论文提案生物信号、生物图像和生物信息学
您将获得数据库和多种编程语言（Matlab、Python、SQL）的实践经验，并与 HBD 医院的知名研究人员和临床医生建立联系。必备技能：• MATLAB 或 Python 的基础知识 • 信号处理或生物信息学知识 开始日期：2023 年 11 月 联系方式：pierluigi.reali@polimi.it、mariagabriella.signorini@polimi.it
深度筛分卷积神经网络，用于从3D超声图像中进行总脑体积估计
早产儿是一个高度脆弱的人群。这些婴儿的总脑体积（TBV）可以通过脑超声（US）成像来准确估算，从而可以对新生儿重症监护（NICU）入院期间对早期大脑生长进行纵向研究。对3D图像的TBV自动估算可提高诊断速度，并逃避专家手动分段3D图像的必要性，这是一项精致且耗时的任务。我们开发了一种深入学习方法来从3D超声图像中估算TBV。它从深度卷积神经网络（CNN）带来了延伸的残留连接和额外的层，灵感来自模糊C均值（FCM），以进一步将特征分离为不同的区域，即筛分层。因此，我们称此方法为深卷积神经网络（DSCNN）。使用从两个不同的超声设备中获取的两个数据集进行了TBV估计，以包括Alexnet-3D，Resnet-3D和VGG-3D在内的三种最新方法进行验证。结果突出显示了预测与观察到的TBV值之间的密切相关性。回归激活图用于解释DSCNN，从解剖学的角度探索那些更一致和合理的像素来允许TBV估计。因此，它可用于从3D图像中直接估算TBV，而无需进一步的图像分割。
学习关节表面重建和分割，从大脑图像到皮质表面分割
从 MRI 重建和分割皮质表面对于广泛的大脑分析至关重要。然而，大多数方法遵循多步骤的缓慢过程，例如连续的球面膨胀和配准，这需要相当长的计算时间。为了克服由这些多步骤引起的限制，我们提出了 SegRecon，这是一种集成的端到端深度学习方法，只需一个步骤即可直接从 MRI 体积联合重建和分割皮质表面。我们训练一个基于体积的神经网络来预测每个体素到多个嵌套表面的有符号距离以及它们在图谱空间中对应的球面表示。例如，这对于联合重建和分割白质到灰质界面以及灰质到脑脊液（软脑膜）表面很有用。我们通过在 MindBoggle、ABIDE 和 OASIS 数据集上进行的一组全面实验来评估我们的表面重建和分割方法的性能。我们发现，重建误差小于 0.52 毫米，而与 FreeSurfer 生成表面的平均 Hausdorff 距离则小于 0.97 毫米。同样，分割结果显示，与 FreeSurfer 相比，平均 Dice 值提高了 4% 以上，此外，在标准台式机上，计算时间从几小时大幅加快到几秒。
让您的生成式 AI 图像获得 Adobe Stock 批准销售的 10 个技巧。
使用独特的提示来创建生成式 AI 资产。一旦您设想了想要创建的内容，请尽可能详尽和描述。记住最终输出的每个元素。图像中的人或物是什么？他们在做什么？他们在哪里？图像中的照明类型是什么？这是一张逼真的图像吗？考虑并描述您希望在生成的图像中看到的所有元素。如果您是生成式 AI 提示的新手，请务必在将图像提交给 Adobe Stock 之前进行实验并向他人学习。查看 YouTube 上的资源以获取创建良好提示的提示。
深度学习在磁共振图像胎儿大脑分割中的应用综述
对于许多临床应用（包括胎儿成像）而言，大脑分割通常是定量分析大脑的第一步，也是最关键的一步。在磁共振成像 (MRI) 中，胎儿大脑的分割面临不同的挑战，例如由于胎儿在检查过程中的运动而导致的胎儿位置不标准、大脑快速发育以及图像数据有限。近年来，已经提出了几种分割方法，用于自动从 MRI 图像中分割胎儿大脑。这些算法旨在定义具有不同形状和强度的感兴趣区域，涵盖整个大脑或隔离特定结构。深度学习技术，特别是卷积神经网络 (CNN)，已成为该领域最先进的方法，因为它们可以在异构数据集上提供可靠的分割结果。在这里，我们回顾了在胎儿大脑分割领域开发的深度学习算法，并根据其目标结构对其进行分类。最后，我们讨论了胎儿领域文献中已知的研究差距，并提出了可能影响胎儿 MRI 图像管理的未来研究方向。
深层古生物学和DNA存活的极限
摘要恶性神经胶质瘤的渗透性会导致活性肿瘤扩散到周围的水肿中，即使在对比度注射后，在常规磁共振成像（CMRI）中也不可见。MR弛豫计（QMRI）测量弛豫率取决于组织特性，并可以提供其他对比机制，以突出非增强的浸润性肿瘤。在考虑深度学习的脑肿瘤检测和分割，术前常规（T1W次和对比度，T2W和FLAIR）以及定量（对比前和后对比度r 1，r 2和Proton密度）中，从23个典型的RADI中获得了一名典型的RADI，与CMRI数据相比，与CMRI序列相比是否提供了其他信息。在考虑基于深度学习的脑肿瘤检测和分割，术前常规（T1W per和Contyptrast和Contypontast，T2W和FLAIR），T2W和FLAIR）以及定量（前后和后对比度R 1，R 2和Proton MINID）MR研究中获得了23个典型的RADI较高的RADI，则获得了GREN。2D深度学习模型对使用CMRI或QMRI进行了横向切片（n = 528）的培训（n = 528），以进行肿瘤检测和分割。此外，对定量r 1和r 2的趋势通过模型解释方法与肿瘤检测相关的区域速率进行了定性分析。肿瘤检测和分割性能，用于对比前和对比后训练的模型最高（检测MATTHEWS相关系数（MCC）= 0.72，分割骰子相似系数（DSC）= 0.90），但是与CMRI相比，差异并不统计具有统计学意义。对使用模型识别的相关区域进行的总体分析表明，在CMRI或QMRI上训练的模型之间没有差异。查看各个病例时，注释以外的大脑区域的松弛率与肿瘤检测相关，在大多数情况下类似于注释中的区域类似的对比注射后显示出变化。总而言之，对QMRI数据培训的模型获得了与接受CMRI数据训练的模型相似的检测性能和分割性能，并在类似的扫描时间内定量测量脑组织性能。在考虑单个患者时，通过模型确定的区域的放松率分析表明，基于CMRI的肿瘤注释以外存在浸润性肿瘤。