XiaoMi-AI文件搜索系统
World File Search System光片
使用 iDISCO+ 和光片荧光显微镜自动绘制和量化神经元活动的优化小鼠大脑图谱
摘要 近年来，全脑免疫标记、光片荧光显微镜 (LSFM) 以及随后的数据与通用参考图谱的配准相结合，已经能够对成年小鼠大脑中的荧光标记或示踪剂进行 3D 可视化和量化。如今，由艾伦脑科学研究所 (AIBS CCFv3) 开发的通用坐标框架版本 3 被广泛用作配准 LSFM 数据的标准大脑图谱。然而，AIBS CCFv3 基于与用于 LSFM 成像的不同组织学处理和成像模式，因此，数据在组织对比度和形态上都不同。为了提高 LSFM 成像全脑数据的配准和量化的准确性和速度，我们基于免疫标记和溶剂透明化的大脑创建了一个优化的数字小鼠大脑图谱。与 AIBS CCFv3 图谱相比，我们的图谱可以更快、更准确地绘制神经元活动图谱，这些神经元活动以 c-Fos 表达为衡量标准，尤其是在后脑中。我们通过比较在瘦小鼠和饮食诱导的肥胖小鼠中急性给予索马鲁肽后 c-Fos 表达的全脑定量变化，进一步证明了 LSFM 图谱的实用性。结合改进的 c-Fos 检测算法，LSFM 图谱能够无偏且计算高效地表征药物对全脑神经元活动模式的影响。总之，我们建立了一个优化的参考图谱，以便更精确地绘制用于 LSFM 处理的小鼠大脑中的荧光标记物（包括 c-Fos）。
人工智能驱动的全景X光片上牙齿检测和分割新工具
摘要 目的 评估一种新的人工智能 (AI) 驱动的工具在全景 X 光片上检测和分割牙齿的性能。材料和方法共收集了 153 张 X 光片。牙颌面放射科医生标记和分割每颗牙齿，作为基本事实。一颗牙齿的类别不可知裁剪图像产生 3576 颗训练牙齿。AI 驱动的工具将两个深度卷积神经网络与专家细化相结合。系统检测和分割牙齿的准确度是主要结果，时间分析是次要结果。Kruskal-Wallis 检验用于评估牙齿组和不同设备之间性能指标的差异，卡方检验用于验证矫正量、假阳性和假阴性的存在以及牙齿的冠和根部分与潜在的 AI 误解之间的关联。结果该系统的牙齿检测灵敏度为 98.9%，精确度为 99.6%。对于牙齿分割，下颌犬齿的效果最佳，其交集比、精确度、召回率、F1 分数和豪斯多夫距离的值分别为：95.3%、96.9%、98.3%、97.5% 和 7.9。虽然仍高于 90%，但上下磨牙的分割结果略低。该方法显示，临床上显著减少了 67% 的手动时间。结论该 AI 工具在检测和分割牙齿方面表现出高度准确和快速的性能，比单独使用地面实况更快。临床意义与手动分割相比，创新的临床 AI 驱动工具在检测和分割全景 X 光片上的牙齿方面表现出更快、更准确的性能。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。
文章人工智能 (AI) 驱动的磨牙角度测量可预测全景 X 光片上的第三磨牙萌出
摘要：所提出的人工智能 (AI) 工具的目的是自动分割全景 X 光片上的下颌磨牙并提取磨牙方向，以预测第三磨牙的萌出潜力。总共使用 838 张全景 X 光片进行网络的训练 (n = 588) 和验证 (n = 250)。具有 ResNet-101 主干的全卷积神经网络联合预测了磨牙分割图和方向线估计值，然后通过对分割轮廓的近中和远中侧进行回归迭代细化。准确度被量化为与人类参考测量值相比的正确角度 (具有预定义的误差间隔) 的分数。使用 Bland-Altman 图直观地评估网络和参考测量值之间的性能差异。自动磨牙分割的定量分析导致平均 IoU 约为 90%。第一和第二磨牙的平均 Hausdor ffi 距离最小。网络角度测量的准确度达到 79.7% [ − 2.5 ◦ ; 2.5 ◦ ] 和 98.1% [ − 5 ◦ ; 5 ◦ ]，同时临床上显著减少了 53% 以上的用户时间。总之，本研究验证了一种独特的新型 AI 驱动工具，可快速、准确、一致地自动测量全景 X 光片上的磨牙角度。为牙科医生提供精确的 AI 工具将促进和优化牙科护理，并协同提高诊断准确性。
基于网络的 COVID-19 诊断工具，利用机器学习对胸部 X 光片 (CXR) 进行诊断
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。
光片荧光显微镜
封面图片。上图：Thy1-GFP 标记的透明化鼠脑（CLARITY）。采用 ZEISS Lightsheet Z.1 采集，在 arivis Vision4D 中处理。使用 5 倍物镜成像，使用来自两侧的 6x7 瓷砖。插图：皮质区域的数字变焦，显示可以识别和分析单个神经元。图片由 Douglas S Richardson 拍摄；经 ZEISS 许可复制。中间左侧：有丝分裂中的 HeLa 细胞的 3D 渲染。来自 300 个时间点图像系列的快照。染色体标记为绿色（mCherry-H2B），线粒体标记为黄色（mitotracker - 深红色），内质网标记为洋红色（mEmerald-calnexin）。细胞器结构清晰可见。由 Wesley Legant 和 Eric Betzig 使用晶格光片显微镜采集。图片来自 Chen 等人Science 2014;346:1257998。经美国科学促进会许可转载。中间右侧：海洋甲壳类动物 Parhyale hawaiensis 六天大胚胎的 3D 渲染体积数据集。七天延时拍摄的一个时间点。使用 ZEISS Lightsheet Z.1 采集，数据在斐济处理和融合。图像由 Tassos Pavlopoulos 拍摄。底部：斑马鱼视网膜的发育过程，在出生后 1.5 天至 3.5 天内，每 12 小时在光片显微镜下拍摄一次。标签：视网膜神经节细胞与 Ath5:RFP（洋红色），无长突细胞和水平细胞与 Ptf1a:YFP（黄色），光感受器和双极细胞与 Crx:CFP（青色）。图片由德累斯顿马克斯普朗克分子细胞生物学和遗传学研究所（MPI-CBG）的 Norden 实验室提供（根据知识共享署名 - 相同方式共享 4.0 国际许可证授权 https://creativecommons.org/licenses/by-sa/4.0/deed.en）。