XiaoMi-AI文件搜索系统
World File Search System光图像
从二维或三维荧光图像对小鼠脑内皮网络进行无偏分析
尽管关于血管和神经网络之间关系的知识正在逐渐被人们所了解，但神经系统疾病的神经中心方法通常导致人们对脑成熟和疾病中脑血管重塑的理解有限。然而，越来越多的证据支持内皮缺陷对神经系统疾病的发生和/或进展有贡献，包括但不限于阿尔茨海默病、多发性硬化症和自闭症谱系障碍。5 – 11 因此，迫切需要实施开源和标准化方法，以便在实验室模型中对脑血管结构进行系统和高通量分析。我们提出了一种简单、可靠且廉价的方案，旨在对固定组织上的小鼠脑内皮网络进行免疫染色，然后进行光学切片荧光，使用计算机方法处理二维或三维 (2D 或 3D) 数字图像。该方案提供了一种无偏量化脑血管结构重要指标的方法。
从二维或三维荧光图像对小鼠脑内皮网络进行无偏分析
尽管关于血管和神经网络之间关系的知识正在逐渐被人们所了解，但神经系统疾病的神经中心方法通常导致人们对脑成熟和疾病中脑血管重塑的理解有限。然而，越来越多的证据支持内皮缺陷对神经系统疾病的发生和/或进展有贡献，包括但不限于阿尔茨海默病、多发性硬化症和自闭症谱系障碍。5 – 11 因此，迫切需要实施开源和标准化方法，以便在实验室模型中对脑血管结构进行系统和高通量分析。我们提出了一种简单、可靠且廉价的方案，旨在对固定组织上的小鼠脑内皮网络进行免疫染色，然后进行光学切片荧光，使用计算机方法处理二维或三维 (2D 或 3D) 数字图像。该方案提供了一种无偏量化脑血管结构重要指标的方法。
太阳能光伏电致发光图像中的人工智能辅助电池级故障检测和定位
随着全球范围内太阳能的日益普及，人们对开发有助于提高制造和持续运营效率的系统产生了浓厚的兴趣。由于各种现实条件和流程，太阳能电池板在制造和运营过程中会出现故障。这项工作的目标是建立一个端到端故障检测系统，以根据太阳能电池板的电致发光 (EL) 成像来检测和定位太阳能电池板中的故障。如今，大多数故障检测都是通过手动检查 EL 图像进行的。为此，我们建议设计和实施一个端到端系统，该系统首先将太阳能电池板分成单个太阳能电池，然后将这些电池图像通过分类 + 检测管道，以识别故障类型并定位电池内的故障。我们提出了一种混合架构，其中包含多个 CNN 模型架构的集合，用于分类和检测。该集合能够服务于单晶和多晶太阳能电池板。所提出的系统有助于显著提高太阳能电池板的效率并降低保修和维修成本。我们使用开放的 EL 图像数据集展示了所提系统的性能，其电池级故障预测准确率达到 95%，召回率也很高。所提算法适用，并可扩展到使用 RGB、EL 或热成像技术的其他太阳能应用。
CD24 靶向术中荧光图像引导手术可在临床前原位手术模型中改善卵巢癌细胞减灭术
背景：切除的完整性是卵巢癌患者的关键预后指标，而肿瘤靶向荧光图像引导手术 (FIGS) 的应用提高了细胞减灭术中腹膜转移的检测率。CD24 在卵巢癌中高表达，已被证明是肿瘤靶向成像的合适生物标志物。方法：研究了高级别浆液性卵巢癌 (HGSOC) 的细胞系和异质患者来源的异种移植 (PDX) 肿瘤样本中的 CD24 表达。将单克隆抗体 CD24 与 NIR 染料 Alexa Fluor 750 结合并评估最佳药理参数 (OV-90，n = 21) 后，对原位 HGSOC 转移性异种移植 (OV-90，n = 16) 进行了实时反馈的细胞减灭术。将术中 CD24 靶向荧光引导的影响与单独的白光和触诊进行了比较，并在术后监测疾病复发（OV-90，n = 12）。在四种临床注释的转移性 HGSOC 原位 PDX 模型中进一步评估了 CD24-AF750，以验证术中引导的转化潜力。结果：与原位 HGSOC 异种移植中的标准白光手术相比，CD24 靶向术中 NIR FIG 显着（47.3%）改善了肿瘤检测和切除，并减轻了术后肿瘤负担。CD24-AF750 允许识别四种 HGSOC PDX 中肉眼无法检测到的微小肿瘤病变。解读：CD24 靶向 FIG 具有转化潜力，可作为改善卵巢癌减瘤手术的辅助手段。资金：本研究由 H2020 计划 MSCA-ITN [675743]、Helse Vest RHF 和 Helse Bergen HF [911809、911852、912171、240222、911974、HV1269] 以及挪威癌症协会 [182735] 和挪威研究理事会通过其卓越中心资助计划 [223250、262652] 资助。© 2020 作者。由 Elsevier BV 出版 这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）
利用深度学习人工智能对胸部X光图像进行质量控制
对于高质量的放射科来说，X 射线成像的持续质量控制 (QC) 至关重要。有效的 QC 工作是一个持续的过程，需要医学物理学家耗费大量时间从多个成像系统收集数据并进行费力的分析。重复和拒绝的 X 射线图像会导致患者受到不必要的辐射暴露并降低放射科的效率，因此延迟拒绝的 X 射线图像是成功的 QC 程序的关键组成部分。我们认为深度学习 (DL) 算法可以最大限度地减少工作量并提高 QC 程序的准确性。在此海报中，我们介绍了对 CXR 图像执行自动 QC 检查的 DL 算法的开发和性能评估。我们重点关注 (1) 使用的采集协议是否与获取的正面 CXR 图像匹配，以及 (2) 正面 CXR 定位是否可以接受？