XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
人类大脑的解剖分割
磁共振成像 (MRI) 是一种强大且多功能的成像方式，是许多研究不可或缺的组成部分，尤其是在进行定量分析时。MRI 是成像大脑的首选方法，因为它具有出色的软组织对比度。将大脑准确分割成解剖区域可以对大脑进行准确的定量分析。三个可以自动对人脑进行解剖分割的软件程序是 FreeSurfer、FastSurfer 和 MAPER。本研究的目的是使用 FreeSurfer 作为基线，并调查 FastSurfer 和 MAPER 分割与 FreeSurfer 在同一数据集上的输出的一致性。使用 FreeSurfer、FastSurfer 和 MAPER 对来自 IXI 数据集的 185 个 T1 加权 3D MR 图像进行分割。使用默认训练检查点对 IXI 数据集的 FastSurfer 和 FreeSurfer 输出以及相应的大脑 MR 图像作为 MAPER 的源图谱。然后使用 Jaccard 相似系数将 FastSurfer 和 MAPER 分割与 FreeSurfer 分割进行比较。MAPER 在复制符合 FreeSurfer 的皮层下区域输出方面表现优于 FastSurfer。MAPER 和 FastSurfer 在皮层区域的表现类似。
训练和测试基于 CNN 的脑部 MRI 扫描分类和分割引擎
。CC-BY-ND 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
对点云城市环境分割和 3D 建模的贡献
前言 本论文总结了我来到斯特拉斯堡国立应用科学学院以来二十年的研究成果。它由两部分组成：第一部分概述了我在每个研究领域所取得的进展；第二部分总结了我过去和现在的教学、研究和行政活动。我的研究重点是通过点云对城市物体进行 3D 建模的特定主题。通过评估根据遗产地获取的数据开发的算法的质量，我们希望为公众相对较少了解的地形专业的推广做出贡献，同时突出建筑、城市和景观遗产我们的领土。论文的第一部分以某种方式强调了地形在从点云到 3D 模型的路径上的重要性。为这项工作做出贡献的众多研究结束项目证明，我们的研究与我们内部提供的培训自然相关，同时丰富了仪器和方法、激光测量、摄影测量、网络补偿、启动研究或甚至产生新的流程，例如最近启动的 BIM（建筑信息模型）流程。回忆录的第二部分见证了这一点。最后，我贡献的多学科主题让我有机会与来自不同专业的专家合作，除了地形学领域的专家，例如考古学、建筑学、地理学、气候学、法律、土木工程、传播学、力学、数学、计算机科学、历史，而且这个列表只会不断增长。围绕这些职业的多样性及其具体问题激发了我的求知欲，并自然地丰富了我的研究，但在所有这些经历中，我首先会记住他们将引起的宝贵的人类遭遇。
使用Cell -Profiler
是研究数字，维度，内容和分泌细胞器的定位的最常用和通用的方法之一是共聚焦显微镜分析。然而，可以在细胞中引起的分泌细胞器的数量，大小和形状中存在相当大的异质性。因此，需要分析大量细胞器以进行有效量化。正确评估这些参数需要一种自动，无偏的方法来处理和定量分析显微镜数据。在这里，我们描述了由Cell -Profiler软件运行的两个管道，称为OrganleleProfiler和OrganeLlecontentProfiler。这些管道线用于内皮菌落形成细胞（ECFC）的共聚焦图像，其中包含独特的分泌细胞器，称为Weibel-Palade体（WPB），以及ECFC和ECFC和人类胚胎肾脏293T（HEK293T）细胞的早期内体。结果表明，管道可以量化细胞计数，大小，细胞器计数，细胞器的大小，形状，与细胞和细胞的关系，以及在内皮和HEK293T细胞中与这些物体的距离。此外，使用管道来测量高尔基体破裂后WPB大小的减小，并在ECFC中触发CAMP介导的信号通路后量化WPB的核周聚类。此外，管道能够量化位于细胞器或细胞质中的二级信号，例如小的WPB GTPase RAB27A。使用斐济检查了细胞剖面测量值的有效性。确定，这些管道为多个细胞和细胞器类型的特性提供了强大的，高处理的定量工具。这些管道是免费的，可以在不同的细胞类型或细胞器上易于使用，并且易于编辑。
TISS-net：使用级联双任务网络和误差预测一致性进行脑肿瘤图像合成和分割
从医学图像中准确分割脑肿瘤对于诊断和治疗计划非常重要，而且通常需要多模态或对比度增强图像。然而在实践中，患者的某些模态可能缺失。合成缺失的模态有可能填补这一空白并实现高分割性能。现有方法通常分别处理合成和分割任务，或者将它们联合考虑，但没有对复杂的联合模型进行有效的正则化，导致性能有限。我们提出了一种新颖的脑肿瘤图像合成与分割网络 (TISS-Net)，该网络可以高性能地端到端获得合成的目标模态和脑肿瘤分割。首先，我们提出了一个双任务正则化生成器，可以同时获得合成的目标模态和粗分割，它利用肿瘤感知合成损失和可感知正则化来最小化合成和真实目标模态之间的高级语义域差距。基于合成图像和粗分割，我们进一步提出了一个双任务分割器，它可以同时预测细化分割和粗分割中的误差，其中引入这两个预测之间的一致性以进行正则化。我们的 TISS-Net 通过两个应用进行了验证：合成 FLAIR 图像用于整个神经胶质瘤分割，合成增强 T1 图像用于前庭神经鞘瘤分割。实验结果表明，与现有模态的直接分割相比，我们的 TISS-Net 大大提高了分割精度，并且优于最先进的基于图像合成的分割方法。2023 作者。由 Elsevier BV 出版 这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
皮质钙动力学的数据驱动分割
在整个大脑半球体上神经元钙通量的经颅视频中解散信号是在映射皮质组织特征之前的关键步骤。在这里我们揭示了独立的成分分析可以最佳地恢复神经信号的含量，以捕获的神经元记录，以最小采样率为1.5×10 6像素，每100毫秒框架以17分钟的速度以1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1。我们表明，从组件获得的一组空间和时间指标可用于构建一个随机的森林分类器，该分类器可自动以人为性能分离神经活动和伪影组件。使用此数据，我们建立了小鼠皮层的功能分割，以每个半球体提供〜115个域的图，其中提取的时间课程最大地表示每个记录中的基本信号。域图显示了大量的区域基序，高阶皮质区域呈现出较大的怪异结构域，而较小的圆形域则是原发性感觉区域中的较小圆形区域。数据驱动的视频分解和信号源的机器层化的工作流程可以极大地增强复杂脑动力学的高质量映射。
无需手动分割来确定 MRI 的大小和体积。侧脑室分割概念验证
手动分割繁琐、耗时且依赖于操作员，目前被用作验证自动和半自动方法的黄金标准，这些方法可量化 2D 和 3D MRI 图像的几何形状。本研究检验了手动分割的准确性，并概括了一种消除手动分割使用的策略。经过培训的人员手动测量 1 个月至 9.5 岁正常婴儿和脑积水婴儿的 MR 侧脑室图像。我们根据 MRI 研究创建了侧脑室的 3D 打印模型，并通过水置换准确估计了其体积。MRI 幻影由获得的 3D 模型和图像制作而成。使用之前开发的人工智能 (AI) 算法，该算法采用从图像中提取的四个特征，我们估计了幻影图像的脑室体积。当水置换装置得到的体积（黄金标准）与自动化测量的体积之间的差异小于 2% 时，该算法即通过认证。然后，我们将手动分割后的体积与通过认证的自动化获得的体积进行比较。通过手动分割确定的侧脑室体积在不同操作员之间和同一操作员之间的差异分别高达 50% 和 48%，而手动分割矢状图产生的误差高达 71%。这些误差是通过直接与认证的自动化得到的体积进行比较确定的。手动分割引起的误差足够大，会对决策产生不利影响，从而导致治疗效果不佳；因此，我们建议尽可能避免手动分割。
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。
多类脑肿瘤分类和分割...
摘要。脑肿瘤分类是一项重要的任务，用于评估肿瘤并根据其类别选择治疗类型。脑肿瘤的诊断需要多种成像技术。然而，MRI 经常被使用，因为它提供更高的图像质量并使用非电离辐射。深度学习 (DL) 是机器学习的一个子领域，最近表现出令人印象深刻的性能，特别是在分割和分类问题方面。基于卷积神经网络 (CNN)，本研究提出了一种混合深度学习网络 (HDLN) 模型，用于对多种类型的脑肿瘤进行分类，包括神经胶质瘤、脑膜瘤和垂体瘤。Mask RCNN 用于脑肿瘤分类。我们使用挤压和激励残差网络 (SE-ResNet) 进行脑肿瘤分割，这是一个带有挤压和激励块的残差网络 (ResNet)。使用公开的研究数据集测试所提出的模型进行实验分析，获得了 98.53% 的总体准确率、98.64% 的灵敏度和 98.91% 的特异性。与最先进的分类模型相比，所提出的模型获得了最好的准确率。对于多类脑肿瘤疾病，所提出的 HDLN 模型显示出其优于现有方法。