XiaoMi-AI文件搜索系统
World File Search System二维图像
三维锥形束计算机化...
背景 CBCT 是一种获取三维射线图像的方法，在牙科领域越来越受欢迎。生成的图像易于使用，并且比传统的二维射线照片提供更多信息。三维成像能够捕获骨骼和软组织，然后可以一起或单独显示（图 1）。与螺旋 CT 和扇形 CT 等早期 CT 技术一样，可以观察到“逐片”轴向、矢状和冠状图像，但 CBCT 软件还结合了参考线，使这些切片的定位变得不那么复杂。例如，即使只观察冠状视图或完整图像的一小部分，矢状切片视图中的线也会指示正在分析的切片或对象的高度和位置（图 2）。CBCT 本质上是数字化的，它使用计算机程序从一系列 250 到 300 张二维图像构建三维体积。CBCT 术语反映了这一重点。例如，体素用于代替像素，因为它指的是体积而不是二维空间。图像文件是 DICOM（数字成像和
通过人工智能进行 3D 建模
多年来，人类已经对周围的世界形成了一定的认知。根据这种认知，通过简短的解释很容易描述复杂的结构。例如，告诉一个人“想象一艘黄色潜水艇在天空中飞行”，这个人就会对你所说的机器有一个准确的印象，尽管他以前从未见过它。与此同时，人工智能成为一个快速发展的研究领域，人工智能有可能让计算机获得对世界的感知。人工智能可以用来解决问题，而不需要指定如何解决已确定的任务。本文概述了二维图像识别的特点和三维模型的创建，并相应地使用了人工智能和机器学习。因此，这将使设计师的工作变得更加轻松，平面设计师和建筑师将能够只关注特定的特征，而不必在实际绘图上花费大量时间。此外，如果模型是通过计算生成的，开发过程将变得更加简单，并且可以提高开发人员的性能率。这项工作的主要目的是定义 CNN 用于 3D 模型生成的可能限制，同时考虑输出分辨率和生成速度。
![arXiv:2209.03177v1 [eess.IV] 2022 年 9 月 7 日](/simg/g:\will\search\icon\source\f\fa3ee8171c3333978c39d246479d5573a87f0728.webp)
arXiv:2209.03177v1 [eess.IV] 2022 年 9 月 7 日
摘要。可以使用医学成像数据研究人体解剖学、形态学和相关疾病。然而，由于管理和隐私问题、数据所有权和获取成本，医学成像数据的访问受到限制，从而限制了我们了解人体的能力。解决这个问题的一个可能方法是创建一个模型，该模型能够学习，然后根据特定的相关特征（例如年龄、性别和疾病状况）生成人体的合成图像。最近，以神经网络形式出现的深度生成模型已用于创建自然场景的合成二维图像。然而，由于数据稀缺以及算法和计算限制，生成具有正确解剖形态的高分辨率三维体积图像数据的能力受到阻碍。这项工作提出了一个生成模型，该模型可以扩展以生成解剖学正确、高分辨率和逼真的人脑图像，并具有进行进一步下游分析所需的质量。生成无限量数据的能力不仅能够实现大规模人体解剖学和病理学研究，而不会危及患者隐私，而且还能显著推动异常检测、模态合成、有限数据下的学习以及公平且合乎道德的人工智能领域的研究。代码和训练模型可在以下网址获取：https://github.com/AmigoLab/SynthAnatomy。
![arxiv：2402.01509v1 [eess.iv] 2024年2月2日](/simg/g:\will\search\icon\source\4\4b7645e5b3c1864e446046fa02f2107577a4ac14.webp)
arxiv：2402.01509v1 [eess.iv] 2024年2月2日
有许多用于对MRI图像的大脑磁共振自动分析的算法，以帮助临床决策。然而，为脑肿瘤患者进行自动图像处理是一项挑战，因为许多算法旨在分析健康的大脑，并且可能无法有效地处理病变的图像。这种算法的例子包括大脑解剖学解析，组织分割和脑提取。我们提出，通过患病的脑扫描进行健康的脑部扫描可能会解决这一挑战，并且该问题被提出为3D涂上任务[1]。在计算机愿景中的一项基本任务中，多年来一直在进行重要的进步。其主要目标是在2D自然图像中实际填充缺失区域，从而实现各种应用，包括图像恢复，对象删除和图像完成。计算机视觉社区已经开发了许多复杂的算法，这些算法在二维图像的背景下应对挑战，取得了令人印象深刻的结果，并推动了该领域的最新艺术品。尽管在2D介绍中取得了显着的进展，但这些算法对3D领域的适应，尤其是在医学成像的背景下，仍然是一个开放的问题。本文旨在探讨与MRI扫描3D介入相关的挑战，并研究适应的可行性
用机载测量的云粒子尺寸分布...
摘要。在试飞期间，原型机载数字全息仪器 HOLODEC（云全息探测器）获取全息数据，对其进行数字重建，以获得冰粒的尺寸（等效直径在 23 至 1000 µ m 范围内）、三维位置和二维图像，然后使用自动算法计算冰粒尺寸分布和数量密度，几乎无需用户干预。全息方法具有样本体积大小明确且不受颗粒尺寸或空速影响的优点，并提供了一种检测破碎颗粒的独特方法。全息方法还允许将体积采样率提高到超过原型 HOLODEC 仪器的采样率，而后者仅受相机技术的限制。在云的混合相区域中获取的 HOLODEC 尺寸分布与试飞期间飞机上 PMS FSSP 探测器的尺寸分布非常吻合。利用沿光轴的深度位置检测破碎粒子的保守算法可从数据集中消除明显的冰粒破碎事件。在这种特殊情况下，与所有粒子的尺寸分布相比，当量直径为 15 至 70 µ m 的粒子的非破碎粒子的尺寸分布减少了大约两倍。
面向可解释的增强智能（AI）进行裂缝表征
摘要：裂纹表征是工业部件和结构的 NDT&E（无损检测与评估）的核心任务之一。如今，执行此任务所需的数据通常使用超声相控阵收集。许多超声相控阵检查都是自动化的，但对其产生的数据的解释却不是。本文提供了一种设计可解释的 AI（增强智能）以应对这一挑战的方法。它描述了一个名为 AutoNDE 的 C 代码，它包括一个基于改进的全聚焦方法的信号处理模块，该方法可创建被评估样本的一系列二维图像；一个图像处理模块，用于过滤和增强这些图像；以及一个可解释的 AI 模块 - 决策树，它选择可能存在裂纹的图像，将那些看起来代表相同裂纹的图像分组，并为每个组生成一份可能的检查报告，供人工检查员审阅。AutoNDE 已在实验室收集的 16 个数据集上进行了训练，这些数据集通过对带有大型光滑平面缺口（包括嵌入式和表面破损）的钢样本进行成像而收集。它已在另外两个类似的数据集上进行了测试。本文介绍了此次训练和测试的结果，并详细描述了一种处理超声波数据中主要误差源（样本表面的起伏）的方法。
通过成人视觉皮层的视网膜定位映射评估新一代可穿戴高密度弥散光学断层扫描技术
自从引入和发展功能性神经成像以来，对人类大脑功能的研究取得了长足的进步。功能性磁共振成像 (fMRI) 和正电子发射断层扫描 (PET) 一直处于这一发展的前沿，但它们也存在局限性。两者都对参与者的行动能力施加了重大限制，这阻碍了它们在婴儿等具有挑战性的人群中的应用以及在研究涉及运动的神经过程和行为方面的应用。由于相关成本、狭窄的扫描仪环境以及（就 PET 而言）放射性示踪剂的使用，延长或重复监测也很困难。1、2 此外，fMRI 对电子或金属植入物（如起搏器、人工耳蜗、动脉瘤夹和手术器械）有禁忌症。由于 MRI 和 PET 设备体积大、固定，并且要求参与者平躺，因此在日常场景中（例如面对面交谈时）研究大脑非常困难。近年来，漫射光学方法在克服这些局限性方面显示出了巨大的潜力。3、4 功能性近红外光谱 (fNIRS) 使用近红外光来检测大脑功能。它使用放置在头皮上的光源和探测器阵列来监测大脑氧合血红蛋白和脱氧血红蛋白浓度的变化，并可以提供空间分辨率为 3 厘米的二维图像。5、6 高密度漫射光学断层扫描 (HD-DOT) 是使用高密度测量阵列的 fNIRS 方法的外推。尽管在这种情况下“高密度”的定义尚未准确确定，但适当的定义是，HD-DOT 阵列提供具有几种不同源 - 探测器分离的通道，跨越“短分离（SS）”（<15 毫米）到“长”（≥30 毫米）范围，并在整个视野范围内在每个分离处提供重叠的空间灵敏度曲线。现已确定 HD-DOT 可以提供比 fNIRS 或其他弥散光学成像方法更优质的深度分辨图像。7 – 9 从多个重叠通道测量中获得的相互信息提高了空间分辨率，使用多个源 - 探测器分离可提高横向和深度特异性。此外，以不同的源 - 探测器分离进行采样提供了一种减少来自脑外组织信号影响的方法。10、11
通过成人视觉皮层的视网膜定位映射评估新一代可穿戴高密度弥散光学断层扫描技术
自从引入和发展功能性神经成像以来，对人类大脑功能的研究取得了长足的进步。功能性磁共振成像 (fMRI) 和正电子发射断层扫描 (PET) 一直处于这一发展的前沿，但它们也存在局限性。两者都对参与者的行动能力施加了重大限制，这阻碍了它们在婴儿等具有挑战性的人群中的应用以及在研究涉及运动的神经过程和行为方面的应用。由于相关成本、狭窄的扫描仪环境以及（就 PET 而言）放射性示踪剂的使用，延长或重复监测也很困难。1、2 此外，fMRI 对电子或金属植入物（如起搏器、人工耳蜗、动脉瘤夹和手术器械）有禁忌症。由于 MRI 和 PET 设备体积大、固定，并且要求参与者平躺，因此在日常场景中（例如面对面交谈时）研究大脑非常困难。近年来，漫射光学方法在克服这些局限性方面显示出了巨大的潜力。3、4 功能性近红外光谱 (fNIRS) 使用近红外光来检测大脑功能。它使用放置在头皮上的光源和探测器阵列来监测大脑氧合血红蛋白和脱氧血红蛋白浓度的变化，并可以提供空间分辨率为 3 厘米的二维图像。5、6 高密度漫射光学断层扫描 (HD-DOT) 是使用高密度测量阵列的 fNIRS 方法的外推。尽管在这种情况下“高密度”的定义尚未准确确定，但适当的定义是，HD-DOT 阵列提供具有几种不同源 - 探测器分离的通道，跨越“短分离（SS）”（<15 毫米）到“长”（≥30 毫米）范围，并在整个视野范围内在每个分离处提供重叠的空间灵敏度曲线。现已确定 HD-DOT 可以提供比 fNIRS 或其他弥散光学成像方法更优质的深度分辨图像。7 – 9 从多个重叠通道测量中获得的相互信息提高了空间分辨率，使用多个源 - 探测器分离可提高横向和深度特异性。此外，以不同的源 - 探测器分离进行采样提供了一种减少来自脑外组织信号影响的方法。10、11
基于阿尔茨海默病静息态功能磁共振成像的图神经网络脑年龄预测
因此，AD的早期诊断方法至关重要。然而，现有的诊断方法主要依赖于对中晚期患者的心理测试和临床观察，缺乏客观有效的早期诊断方法。因此，开发更准确的识别方法并找到更客观的早期诊断生物标志物至关重要，这将有助于患者尽早接受治疗并提高治愈率（Tahami Monfared等，2022；Warren和Moustafa，2023）。脑年龄估计就是这样一种潜在的生物标志物，它可以帮助检测AD等精神障碍。此外，神经影像学驱动的脑年龄预测将有助于研究AD对大脑结构和功能网络的影响。同时，最近的研究也强调，显著延缓MCI进展为AD将降低AD的患病率和成本（Anderson，2019）。为此，通过脑年龄预测识别脑老化加速的个体对于精确识别和干预AD至关重要。因此，通过准确可靠的大脑年龄预测及早识别有患 AD 风险的个体将为制定有效的预防策略铺平道路 (Villemagne 等人，2013)。随着人工智能和医学成像技术的发展，近年来针对大脑年龄估计的研究有所增加 (Frizzell 等人，2022)。这些研究中大多数使用了结构磁共振成像 (MRI) 数据 (Gaser 等人，2013；Sajedi 和 Pardakhti，2019；Bashyam 等人，2020；Levakov 等人，2020；Lee 等人，2022)。例如，Bashyam 等人使用通过 T1 加权 MRI 获得的二维图像训练了 DeepBrainNet，这些图像以最少的预处理步骤从 11,729 名健康对照 (HC) 受试者中获得。他们实现了准确的年龄预测，并表明适度拟合的大脑衰老模型更适合区分 AD 和 HC。该方法通过简单的预处理步骤确保了模型在临床环境中的广泛适用性。然而，一个显着的局限性是它不能识别影响模型性能的解剖区域。Lee 等人（2022 年）认为遮挡敏感性分析增强了模型的可解释性。他们进一步发现，脑沟和白质与大脑年龄差距呈正相关。相反，脑回和脑室周围区域与大脑年龄差距呈负相关。通过这些分析，作者阐明了 AD 对大脑结构的影响。然而，必须注意的是，海马萎缩的结构变化发生在脑内积累 β-淀粉样蛋白 (A β ) 病理多年之后 ( McKhann 等人，2011 年；Villemagne 等人，2013 年)，并且AD中功能连接的受损几乎可以与使用正电子发射断层扫描（PET）测量的A β和tau同步检测到。因此，与大脑结构变化相比，通过静息态功能磁共振成像（rs-fMRI）检测大脑功能变化可能是一种对有AD风险的个体更敏感、更早的方法（Gonneaud等人，2021年）。先前的研究也证明了rs-fMRI数据在预测大脑年龄方面的效用，并提出AD会导致加速衰老。其中一项研究采用了高斯过程回归（GPR），在测试集中获得了8.195的平均绝对误差（MAE）和10.31的均方根误差（RMSE）（Millar等人，2022年）。然而，大多数现有的
婴儿功能近视三维注册系统
而且获取过程也很耗时。此外，这种方法需要购买 3D 数字化仪，这也相对昂贵（成本约 3000 英镑）。相比之下，摄影测量方法是一种低成本的空间配准解决方案，因为它们可以通过一部智能手机轻松实现。8 摄影测量从不同角度对佩戴 fNIRS 设备的受试者拍摄多张照片。使用专业软件（例如 Metashape 10 ）将获取的 2D 照片转换为 3D 模型（点云或网格）。该软件分析照片中的视觉特征，首先估计与每张图像相关联的相机的位置。通过比较图像并识别共同的点和特征，摄影测量软件可以重建物体的 3D 表示（在我们的例子中是受试者的头部）。通过检查生成的 3D 点云或网格，可以确定光极相对于受试者颅骨标志的位置。然而，这个过程在计算上是昂贵的并且耗时的，因此它通常在实验之后进行，并且通常需要使用标准计算资源花费数小时。如果生成的 3D 模型不足以捕获所有光极的所有位置信息，则无法回忆起这些信息，因为对受试者的实验早已结束。除了上面概述的挑战之外，如果受试者是婴儿，由于他们几乎不断运动，EM 跟踪和传统摄影测量方法通常都不切实际。鉴于头部实际上是一个刚性物体，理论上婴儿受试者的运动不应妨碍有效的摄影测量。然而，在婴儿移动的情况下，传统的摄影测量方法面临着重大挑战。次优的照明条件，例如不均匀的照明或投射在婴儿脸上的阴影，会影响所获取图像的质量和清晰度。此外，当受试者处于运动状态时，有必要在生成的 2D 图像中遮蔽背景以隔离婴儿的头部。这些因素共同使得单相机摄影测量法在捕捉运动婴儿的准确可靠的 3D 头部模型方面面临极大挑战。最近，一种使用智能手机的结构照明深度相机获取拍摄对象 3D 头部模型的方法被实现用于空间配准。11结构照明深度相机的工作原理是将特定的光图案投射到视野中，并分析这些图案如何因被拍摄物体的形状而变形。深度相机可以使用这些信息来计算物体表面上每个点与相机的距离，从而生成物体的精确 3D 表示。与用于 fNIRS 配准的摄影测量法相比，结构化照明提供的直接获取的 3D 深度信息省去了将 2D 图像转换为 3D 模型所需的时间，从而允许用户在实验期间调整扫描过程，以确保模型覆盖扫描中的所有光极位置并具有足够的质量。此外，通过直接获取量化的深度信息，结构化照明方法可能比传统摄影测量法更准确、更可靠。虽然这种直接 3D 扫描方法不需要拍摄对象严格保持静止，但过度移动会影响扫描图像的质量。一次采集即可获取运动婴儿头部的完整 3D 模型通常是不可能的。因此，当将智能手机 3D 扫描方法应用于婴儿时，用户仍然需要从不同角度拍摄多张快照以生成部分 3D 表面，然后将它们拼接在一起形成完整的全头 3D 模型。虽然所需快照的数量远低于精确摄影测量所需的二维图像的数量，但这仍然会导致更长的采集时间、降低精度并无法获得即时结果。