XiaoMi-AI文件搜索系统
World File Search Systemscans
来自结构各向同性1 mm3 MRI扫描的海马子场体积：注意事项
图1冠状组织学切片（Kluver Barrera染色）和Ex Vivo 0.2×0.2×0.2×0.2 mm 3 MRI在海马头（A，B），身体（C，D）和尾部（E，G）的同一主题中。组织学部分中的黑线划分了子场之间的细胞结构边界，该专家以全0.5×0.5μm2分辨率分析数字组织学部分的专家追踪。绿色箭头指向辐射分子（SRLM）层，在MRI中显得不高。请注意，Cornu氨和下调的宽度取决于SLRM的位置，SLRM的位置是分割子场（黄线）的关键地标。此外，在离体MRI上，可以看到牙槽（外部低位带，红色箭头），这有助于划定海马的外边界，尤其是其数字（白色星号）。ca，Cornu Ammonis，sub，subiculum（包括前和副副总统），DG，Dentate Gyrus
基于深度神经网络的计算机断层扫描检测脑肿瘤
摘要：脑肿瘤是最致命的疾病之一，对人类健康有许多影响。脑肿瘤是脑内或脑周围的异常细胞团或生长。它们并非都是癌症，因为它们可能是良性的或恶性的。医生使用各种诊断技术来评估良性或恶性脑肿瘤的存在，以及估计其大小、位置和生长速度。使用适当的诊断方式来提供完整的大脑视图以检测任何异常。应对脑部进行计算机断层扫描 (CT) 扫描以检查异常。CT 扫描的好处包括准确检测钙化、出血和骨骼细节，以及与磁共振成像 (MRI) 相比成本低。因此，我们研究了一种基于 CT 的检测方法，以确定是否存在脑肿瘤。所提出的方法适用于从曼苏拉大学医院收集的 CT 图像数据集。使用不同的预训练模型：VGG-16、ResNet-50 和 MobileNet-V2。对比结果，预训练模型 MobileNet-V2 尽管参数数量最少，但结果却更好。它的准确率为 97.6%，而其精确度、召回率和 F1 分数分别为 96%、95% 和 96%。
在深度学习中使用 U-Net 模型从 MRI 扫描中检测脑肿瘤
神经系统中的肿瘤疾病既危险又复杂。磁共振成像 (MRI) 对于检测脑部疾病至关重要；然而，从中识别肿瘤的存在非常耗时，需要专业医生。利用深度学习在 MRI 图像中检测肿瘤可以减少等待时间并提高检测准确性。我们提出了一种采用两个 U-Net 模型的方法：ResNeXt- 50 和 EfficientNet 架构，并结合特征金字塔网络 (FPN) 来分割脑肿瘤。这些模型是在 BraTS 2021 数据集上训练的，该数据集包含 3,929 张 MRI 扫描图像和 3,929 个相应的掩模，按 70:15:15 的比例分为训练集、测试集和评估集。结果表明，结合了 EfficientNet 和 FPN 的混合模型性能卓越，测试集上的平均交并比 (IoU) 准确率为 0.90，而 ResNeXt-50 为 0.50，Dice 准确率为 0.92，而 ResNeXt-50 为 0.66。此外，我们还开发了一个 Web 应用程序，实现了 EfficientNet 和 FPN 模型，方便医生从上传的 MRI 图像中轻松检测肿瘤。
一篇开创性的论文，提供了一种精确、独立于观察者分析神经退行性痴呆症 18 F-FDG 脑部扫描结果的工具
放射自显影。该方法提供了局部脑功能图，这是因为区域脑葡萄糖代谢与神经元（主要是突触）活动偶联。1979 年发表的开创性论文将 Sokoloff 方法扩展到使用 PET 和 18 F-FDG 进行人脑成像。20 世纪 80 年代初，人们开始研究神经精神疾病中的区域脑葡萄糖代谢和局部神经元活动。对阿尔茨海默病 (AD) 的扫描显示颞顶联合皮层代谢减慢；这被认为是该病的典型特征。当时，脑 PET 图像的定量分析使用感兴趣区域，比较患者和对照组脑区放射性示踪剂的值。随后，开发了更自动化的方法，如统计参数映射 ( 3 )，通过将 PET 图像映射到立体定向脑图谱上来检测局部变化。这些方法有助于逐像素地比较 PET 图像组，这种方法广泛用于分析区域 15 O-水图像
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
项目标题：用于预测MRI脑扫描脑膜瘤增长的数字双轨迹的机器学习工具
该项目的目的是开发一种机器学习工具，该工具生成数字双轨迹，以用于脑MRI扫描中的脑膜瘤增长。通过利用深度学习，该工具将创建特定于患者的模型（数字双胞胎），以根据历史MRI数据来预测脑膜瘤的未来增长。该工具将支持临床医生预测肿瘤大小和形状的变化，从而实现脑膜瘤患者的主动，个性化的管理。特别是该模型可以为临床医生提供一种预测工具，可增强决策，从而及时进行干预和优化的监视。此外，这种方法可以为数字双胞胎应用奠定基础，以跟踪其他类型的肿瘤，从而扩大其在肿瘤学诊断中的影响。项目描述脑膜瘤是最常见的原发性脑肿瘤，起源于脑膜，脑周围的保护层和脊髓。尽管通常是良性的，但脑膜瘤表现出不同的增长率和行为。有些人多年来保持懒惰，而另一些人则迅速发展，可能导致严重的神经系统缺陷，例如癫痫发作，视力丧失和认知障碍，这是由于对周围脑结构的质量影响而导致的。因此，了解和预测其增长轨迹对于及时干预和有效管理至关重要。目前，监测脑膜瘤在很大程度上依赖于常规的MRI扫描，以评估大小和形态的变化。因此，仅靠基于间隔的成像的依赖可能会延迟关键干预措施，从而强调需要更先进的预测工具。但是，这种常规方法是有限的，因为它仅提供了肿瘤进展的回顾性观点，从而限制了主动的临床决策。MRI扫描可能会揭示肿瘤的当前状态，但它们缺乏预测未来生长模式或生长突然加速的预测能力，可能会影响患者的预后。为了解决这些局限性，该项目提出了针对脑膜瘤增长预测而定制的基于机器学习的数字双胞胎模型的开发。数字双胞胎是一个动态的计算模型，它不断响应实时数据，有效地反映了生物实体的不断发展的特征。对于脑膜瘤，创建数字双胞胎需要使用历史MRI数据和特定于患者的临床特征来训练一个可以模拟个性化肿瘤生长轨迹的深度学习模型。
深度学习范式及其对血管内超声扫描中冠状动脉壁分割的偏见：近距离外观
1个计算机科学与工程学院，加尔戈蒂亚斯大学，大诺伊达，201310年，印度； vandana.soni80@gmail.com（v.k.）; ksampathkumara@gmail.com（S.K.K.）2应用计算科学与工程系，G L Bajaj技术与管理学院，大诺伊达201310年，印度3印度贝纳特大学，贝尼特大学，大诺伊达大学，201310年，印度； Ashish.gupta14d@gmail.com 4 CMR工程技术学院CSE系，印度海得拉巴501401； sivaskandha@cmrcet.org 5印度Bhubaneswar 751003的IIT Bhubaneswar计算机科学与工程系； sanjay@iiit-bh.ac.in 6印度新德里110076的Indraprastha Apollo Hospitals心脏病学系； drnnkhanna@gmail.com 7 Heart and Vascular Institute，Addingist Health St. Helena，St Helena，CA 94574，美国； lairdjr@ah.org 8图形时代食品科学技术系，被视为大学，德拉登248002，印度； narpinders@yahoo.com 9美国爱达荷州州立大学电气和计算机工程系，美国ID 83209，美国； mfouda@ieee.org 10 Azienda Ospedaliero Universitaria放射科（A.O.U. ），09100 Cagliari，意大利； lucasabamd@gmail.com 11印度北阿兰奇大学北阿兰奇理工学院研究与创新部，印度248007； drrajeshsingh004@gmail.com 12 Stroke Diagnostics and Monitoring Division, AtheroPoint™, Roseville, CA 95661, USA 13 Department of Computer Science & Engineering, Graphic Era, Deemed to be University, Dehradun 248002, India 14 Monitoring and Diagnosis Division, AtheroPoint™, Roseville, CA 95661, USA * Correspondence: jasjit.suri@atheropoint.com;电话。 ： +（916）-749-56282应用计算科学与工程系，G L Bajaj技术与管理学院，大诺伊达201310年，印度3印度贝纳特大学，贝尼特大学，大诺伊达大学，201310年，印度； Ashish.gupta14d@gmail.com 4 CMR工程技术学院CSE系，印度海得拉巴501401； sivaskandha@cmrcet.org 5印度Bhubaneswar 751003的IIT Bhubaneswar计算机科学与工程系； sanjay@iiit-bh.ac.in 6印度新德里110076的Indraprastha Apollo Hospitals心脏病学系； drnnkhanna@gmail.com 7 Heart and Vascular Institute，Addingist Health St. Helena，St Helena，CA 94574，美国； lairdjr@ah.org 8图形时代食品科学技术系，被视为大学，德拉登248002，印度； narpinders@yahoo.com 9美国爱达荷州州立大学电气和计算机工程系，美国ID 83209，美国； mfouda@ieee.org 10 Azienda Ospedaliero Universitaria放射科（A.O.U.），09100 Cagliari，意大利； lucasabamd@gmail.com 11印度北阿兰奇大学北阿兰奇理工学院研究与创新部，印度248007； drrajeshsingh004@gmail.com 12 Stroke Diagnostics and Monitoring Division, AtheroPoint™, Roseville, CA 95661, USA 13 Department of Computer Science & Engineering, Graphic Era, Deemed to be University, Dehradun 248002, India 14 Monitoring and Diagnosis Division, AtheroPoint™, Roseville, CA 95661, USA * Correspondence: jasjit.suri@atheropoint.com;电话。： +（916）-749-5628
使用多模态 MRI 扫描对多视图 CNN 模型进行集成学习以预测脑肿瘤患者的生存时间
本研究提出的方法的一个关键思想是将 3D MRI 扫描转换为轴向、冠状面和矢状面的 2D 堆叠切片。因此，对于每个患者，都会从第 2.1 节中定义的四种 MRI 模式生成 12 个 2D 堆叠 MRI 切片。此后，我们将这 12 个 2D 堆叠切片分别表示为 FLAIR MRI 模式的轴向、冠状面和矢状面投影的 FLAIR-轴向、FLAIR-冠状面和 FLAIR-矢状面。同样，T1、T1CE 和 T2 模式的轴向、冠状面和矢状面视图分别表示为 T1-轴向、T1-冠状面和 T1-矢状面、T1CE-轴向、T1CE-冠状面和 T1CE-矢状面以及 T2-轴向、T2-冠状面和 T2-矢状面。为避免处理背景和管理 GPU 内存限制，我们排除了每张 MRI 扫描中不包含任何脑组织的一些开始和结束切片。每张切片的强度像素也在 0 到 255 的范围内重新缩放，转换为 PNG 格式，并归一化为零均值和单位方差。MRI 扫描的 3D 到 2D 重建使每张 2D 轴向、冠状面和矢状面投影图像的形状大小分别为 240 × 240、155 × 240 和 155 × 240 像素。这些投影图像
fst-net：使用特征融合和局部坐标回归
面部软组织（FST）的具有里程碑意义的定位是对人体面部的3D形态分析的基本步骤，这对于面部畸形相关疾病的诊断和治疗非常重要。但是，几乎没有关于基于深度学习的3D扫描图像的地标定位的研究。由于非欧盟数据结构，无法直接使用基于2D图像的方法。在本文中，我们提出了一个端到端的学习框架，以自动将28个地标在3DMD扫描中定位，称为FST-NET。我们的方法从纹理图像和网格模型中提取特征。3DMD扫描的新纹理映射是通过投影对融合纹理和结构特征的投影而生成的。使用双分支网络集成变压器，以预测从粗到细的地标热图。提出了基于概率距离和热图预测的局部协调回归模块，以计算具有里程碑意义的协调。我们从诊所收集和注释300 3DMD面部扫描以评估我们的模型。实验表明，该模型的平均定位误差为1.204mm（临床上可接受的精度范围为1.5 mm），正确的地标检测率等于70.89％。我们的模型超过了网格模型上地标定位的当前最新深度学习方法。
经颅超声检查与计算机断层扫描对创伤性脑损伤患者中线移位的评估比较
背景：大脑中线移位 (MLS) 是通过计算机断层扫描 (CT) 成像诊断的重要临床发现，而经颅超声 (TCS) 可帮助在床边诊断 MLS 并促进干预以改善结果。该研究旨在发现基于 TCS 和 CT 的创伤性脑损伤 (TBI) 患者 MLS 评估之间的关联。患者和方法：我们纳入了所有中度至重度 TBI 的成年患者，不限性别，年龄在 18 至 65 岁之间，在 3 个月内接受全身麻醉下颅内手术。借助格拉斯哥昏迷量表 (GCS) 和格拉斯哥昏迷量表-瞳孔 (GCS-P) 评分评估意识。我们使用 CT 扫描和 TCS 计算 MLS。使用 Bland Altman 图以及 Pearson 和 Spearman 系数检验。结果：本研究共分析了 17 名患者。使用 TCS 时 MLS 为 0.52 ± 0.90 厘米，使用 CT 扫描时 MLS 为 0.58 ± 0.39 厘米。TCS 和 CT 成像测量的 MLS 差异的 Pearson 相关系数 (r2) 为 0.002 (p<0.05)。结论：经颅超声检查可以检测出 TBI 患者的 MLS，前提是 TCS 和 CT 扫描的 MLS 测量之间使用最小时间窗口。关键词：计算机断层扫描、超声检查、创伤性脑损伤。印度重症监护医学杂志 (2023)：10.5005/jp-journals-10071-24376