XiaoMi-AI文件搜索系统
World File Search Systemscans
量化白质高强度信号和脑体积......
脑萎缩和白质高强度信号 (WMH) 与中风或多发性硬化症等疾病密切相关。自动分割和量化是人们所期望的，但现有方法需要具有良好信噪比 (SNR) 的高分辨率 MRI。这阻碍了其在临床和低场便携式 MRI (pMRI) 扫描中的应用，从而妨碍了对萎缩和 WMH 进展的大规模追踪，尤其是在 pMRI 具有巨大潜力的服务欠缺地区。在这里，我们提出了一种无需重新训练即可从任何分辨率和对比度（包括 pMRI）的扫描中分割出白质高强度信号和 36 个大脑区域的方法。我们在六个公共数据集和一个包含成对高场和低场扫描（3T 和 64mT）的私人数据集上展示了结果，其中我们获得了在两个场估计的 WMH（ρ =.85）和海马体积（ρ =.89）之间的强相关性。我们的方法作为 FreeSurfer 的一部分向公众开放，网址为：http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg。
年轻人群皮层下结构分割数据库
从 MRI 扫描中分割皮层下结构是许多神经系统诊断中关注的问题。由于这是一项艰巨的任务，机器学习，特别是深度学习 (DL) 方法已被探索。大脑的结构复杂性要求大量高质量的分割数据集，以开发基于 DL 的良好皮层下结构分割解决方案。为此，我们发布了一组 114 个 1.5 特斯拉 T1 MRI 扫描，其中手动描绘了 14 个皮层下结构。数据集中的扫描来自健康的年轻（21-30 岁）受试者（58 名男性和 56 名女性），所有结构均由经验丰富的放射学专家手动描绘。使用该数据集进行了分割实验，结果表明使用深度学习方法可以获得准确的结果。我们的皮层下结构分割数据集印度大脑分割数据集（IBSD）在 https://doi.org/10.5281/zenodo.5656776 上公开提供。
人工智能解决动脉瘤分析中的挑战 - 富士通全球
麦考瑞大学与邻近的富士通和医疗设备制造商 GE Healthcare 联手开发了一项人工智能诊断技术，可以分析脑动脉瘤的 CT 扫描。该技术旨在显著加快 CT 扫描的分析过程，从而节省放射科医生的宝贵时间。通过使用这项人工智能技术及其附带的 3D 结构分析数据，神经外科医生有望在规划手术时做出更好的决策。
MS3580 QuantumT
QuantumT 拥有业界领先的每秒 1,650 次扫描速度，可提供积极的首次扫描，从而减少扫描产品所需的时间，提高客户满意度和员工效率。只需按一下按钮即可启用单行扫描功能，通过霍尼韦尔专利的 CodeGate ® 技术提供有针对性的扫描，从而节省时间并减少对菜单式代码的不必要的扫描。手持操作可确保轻松扫描较大、较笨重的产品，而这些产品无法轻易呈现在固定式扫描仪上。
量化白质高强度和脑量的异质临床和低场便携式MRI
脑萎缩和白质超强度（WMH）与诸如中风或多发性硬化症之类的疾病密切相关。自动分割和定量是可取的，但是现有的方法需要具有良好信噪比（SNR）的高分辨率MRI。这排除了对临床和低场便携式MRI（PMRI）扫描的应用，从而阻碍了萎缩和WMH进展的大规模跟踪，尤其是在PMRI具有巨大潜力的欠佳地区。在这里，我们提出了一种方法，该方法将白质高强度和36个大脑区域从任何分辨率和对比度（包括PMRI）的扫描中分离出来，而无需重新训练。我们在六个公共数据集以及具有配对的高场扫描（3T和64MT）的私人数据集上显示了结果，在此估计的WMH（ρ= .85）和海马体积（ρ= .89）之间，我们达到了较强的相关性。我们的方法是作为Freesurfer的一部分公开使用的，网址为：http：//surfer.nmr.mgh.harvard.edu/fswiki/wmh-synthseg。
原始文章加拿大计算机断层扫描统治和新奥尔良的脑损伤标准：在城市三级护理中进行比较
受伤为50/100,000，道路交通事故（RTA）是主要原因，占案件的62％。在临床上，基于格拉斯哥昏迷量表（GCS）得分：轻度（GCS 13-15），中度（GCS 9-12）和严重（GCS≤8），TBI分为三个不同的组。[10,12,17]中，轻度TBI是急诊科（ED）遇到的最普遍的头部受伤类型。[11,16]随着现代医学的进步，计算机断层扫描（CT）已成为所有TBI的基石调查，因为它在诊断诸如颅内出血之类的威胁生命状况方面的效率很高，尤其是在轻度TBI病例中。[7]但是，CT扫描的广泛使用并非没有缺点，包括对成本效益，辐射暴露和鉴定偶然发现（“偶然层”）的担忧，这些发现通常会导致其他测试，延长医院的住院时间，以及增加的医疗费用。[3,5,9]根据美国食品药品监督管理局（2017），每10,000名接受头部CT扫描的患者中，大约有1名患者会出现致命的癌症，并且常规使用头部CT扫描对轻度TBI可能会导致估计每年250例致命的疾病癌症病例。[15] Brenner和Hall进一步估计，CT扫描的频率不断增加（从1990年代中期的2000万到2000年代中期的大约6000万）占所有癌症的1.5-2％。[2]这些发现强调了实施指南的必要性，以减少所有呈现给ED的TBI患者中CT成像的不加区分使用。尤其是在资源有限的环境中，例如巴基斯坦，必须由明确的准则来管理CT扫描的利用，以确保具有成本效益和广播保护实践。考虑到该地区的防御性医学实践的普遍做法，这种需求尤其紧迫，临床医生可能会根据不确定的临床指示点扫描CT扫描。
基于模拟的闪光型不确定性快速量化...
无需进行物理（机械）接触，主要通过传输信号和由此产生的反射来了解表面、物体或现象。特别是，基于激光雷达（光检测和测距）和飞行时间信号处理的光学扫描已成为一种无处不在的技术，目前已提出了许多变体。这项技术最近受到学术界和工业生物力学界的广泛关注，这得益于人体扫描仪的不断发展。应用范围从可以快速捕获整个人体的 3D 人体扫描仪，例如用于假肢设计、生物力学运动分析、肿瘤表面扫描、健身扫描、法医分析、异常检测、数值生物力学模型生成（网格划分）和虚拟现实化身的创建。这种技术基于扫描激光雷达，它每秒产生数千个窄带宽脉冲并扫描一个域，使用信号飞行时间分析来确定表面轮廓。本质上，生成了立体 3D 图像。这
阻止超级细菌的传播
前列腺癌的 PSMA 靶向治疗 每年，有超过 20 万美国男性被诊断出患有前列腺癌，这使得前列腺癌成为美国男性中最常见的癌症。准确的成像对于肿瘤定位、疾病分期和检测复发至关重要。PSMA 是一种在前列腺癌细胞表面高水平发现的抗原，是该疾病的潜在生物标志物。PMSA PET 扫描使用放射性示踪剂附着在 PSMA 蛋白上，然后将其与 CT 或 MRI 扫描相结合，以可视化前列腺癌细胞的位置。2020 年，该技术根据 III 期临床试验获得 FDA 批准，与使用骨和 CT 扫描的传统成像相比，该技术在检测前列腺癌转移方面的准确性显着提高。如果通过 PSMA PET 扫描及早发现复发性前列腺癌，可以通过立体定向放射治疗、手术和/或个性化全身治疗等靶向方法治疗。
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
