XiaoMi-AI文件搜索系统
World File Search System全自动
![用于成像的[18F] FCPP的全自动辐射合成...](/simg/7\75ed683cf7055f9400cbbcc58e2a426ec415edfc.webp)
用于成像的[18F] FCPP的全自动辐射合成...
摘要：刺激菌落刺激因子1受体（CSF1R）几乎仅在人脑的小胶质细胞上表达，因此有望成为成像小胶质细胞密度作为神经炎症的代理的生物标志物。[11 c] CPPC是一种对CSF1R的选择性亲和力的放射性示例，已被评估用于人类的小胶质细胞宠物成像。标记为CPPC衍生物，5-氰基-N-（4-（4-（2- [18 F]氟乙基）哌嗪-1-基）-2-（piperidin-1-基）苯基苯基苯基苯基苯基苯基苯基苯甲酰胺（[18 f]苯基）（[18 f] FCPPC），但先前是使用low proteans salthe saltys salthe salty salthe saltys salthe n protistial now protialn protials的。 在这项工作中，我们报告了[18 F] FCPPC在合成RNPLUS研究模块上的完全自动化的放射合成。 在总合成时间为50分钟的情况下，[18 f] FCPPC在衰减校正的放射化学产率中获得26.8±0.1％（n = 3），> 99％的放射化学纯度。 质量控制测试表明，[18 F] FCPPC符合所有释放标准。 总的来说，我们报告了[18 F] FCPPC的第一个完全自动化的放射合成，这是一种有希望的放射性药物，用于对人类的小胶质细胞进行成像。标记为CPPC衍生物，5-氰基-N-（4-（4-（2- [18 F]氟乙基）哌嗪-1-基）-2-（piperidin-1-基）苯基苯基苯基苯基苯基苯基苯基苯甲酰胺（[18 f]苯基）（[18 f] FCPPC），但先前是使用low proteans salthe saltys salthe salty salthe saltys salthe n protistial now protialn protials的。在这项工作中，我们报告了[18 F] FCPPC在合成RNPLUS研究模块上的完全自动化的放射合成。在总合成时间为50分钟的情况下，[18 f] FCPPC在衰减校正的放射化学产率中获得26.8±0.1％（n = 3），> 99％的放射化学纯度。质量控制测试表明，[18 F] FCPPC符合所有释放标准。总的来说，我们报告了[18 F] FCPPC的第一个完全自动化的放射合成，这是一种有希望的放射性药物，用于对人类的小胶质细胞进行成像。
用于脑肿瘤分割的全自动深度学习网络
我们开发了一种使用深度学习进行脑肿瘤分割的全自动方法；使用了来自 BraTS2018 数据集的 285 个具有多参数磁共振图像的脑肿瘤病例。我们设计了 3 个独立的 3D-Dense-UNets，将复杂的多类分割问题简化为每个子组件的单独二元分割问题。我们实施了 3 倍交叉验证来推广网络的性能。整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 分割的平均交叉验证 Dice 分数分别为 0.92、0.84 和 0.80。然后，我们使用 285 个病例中的 265 个重新训练各个二元分割网络，其中 20 个病例用于测试。我们还在来自 BraTS2017 验证数据集的 46 个病例、来自 BraTS2018 验证数据集的 66 个病例和来自独立临床数据集的 52 个病例上测试了该网络。在 20 个保留测试用例中，WT、TC 和 ET 的平均 Dice 分数分别为 0.90、0.84 和 0.80。在 BraTS2017 验证数据集、BraTS2018 验证数据集和临床数据集上，WT、TC 和 ET 的平均 Dice 分数分别为：0.90、0.80 和 0.78；0.90、0.82 和 0.80；以及 0.85、0.80 和 0.77。开发了一种全自动深度学习方法将脑肿瘤分割成其子成分，该方法在 BraTS 数据集和独立临床数据集上实现了高预测准确率。该方法有望应用于临床工作流程。
BRAVE-NET：脑血管病患者的全自动动脉脑血管分割
Adam Hilbert 1 , Vince I. Madai 1,2 , Ela M. Akay 1 , Orhun U. Aydin 1 , Jonas Behland 1 , Jan Sobesky 3,4 , Ivana Galinovic 3 , Ahmed A. Khalil 3,5,6,7 , Abdel A. Taha 8 , Jens Wuerfel 9 , Petr Dusek 10 , Thoralf Niendorf 11 , Jochen B. Fiebach 3 , Dietmar Frey 1 , Michelle Livne 1 1 声明 - Charité 医学人工智能实验室，柏林 Charité Universitätsmedizin，德国 2 英国伯明翰城市大学计算与数字技术学院，计算、工程与建筑环境学院 3 柏林中风研究中心，Charité德国柏林医学大学 4 Johanna-Etienne 医院，诺伊斯，德国 5 马克斯普朗克人类认知与脑科学研究所神经病学系，莱比锡，德国 6 柏林洪堡大学柏林心智与脑学院心智、大脑、身体研究所，柏林，德国 7 柏林健康研究所，柏林，德国 8 数据科学研究工作室，奥地利研究工作室，萨尔茨堡，奥地利 9 巴塞尔大学医学图像分析中心 AG 和生物医学工程系，巴塞尔，瑞士 10 布拉格查理大学第一医学院和大学综合医院神经病学系和临床神经科学中心，布拉格，捷克 11 柏林超高场设施 (BUFF)，亥姆霍兹联合会 (MDC) 马克斯德尔布吕克分子医学中心，柏林，德国
更安全的驾驶体验的全自动视觉注意估计支持系统
抽象驾驶员的注意是安全驾驶和避免可能发生事故的关键要素。在本文中，我们提出了一种新的方法，可以解决驱动程序中视觉注意力估计的任务。我们引入的模型由两个分支组成，一个分支执行凝视点检测以确定驾驶员的确切焦点，另一个执行对象检测以识别道路上的所有相关元素（例如车辆，行人和交通标志）。两个分支的两个输出的组合使我们能够确定驾驶员是否专注，并最终确定他们集中的道路元素。测试了两个模型的目光检测任务：GAZECNN模型和由CNN+变压器组成的模型。对两种模型的性能进行了评估，并将其与其他最先进的模型进行比较，以选择最佳的任务方法。最后，报告并分析了DGAZE数据集上3761对图像（驱动程序视图和相应的道路视图）进行的视觉注意估计结果。
基于微控制器的全自动智能校园电铃系统，带时间显示
我们所有的春天都受到校园钟声的极大影响。但事实上，尽管自技术出现以来，许多效果都已数字化，但校园钟声仍然是手动的。让我们通过创建一种数字解释来使校园钟声现代化，这种解释不仅仅是响铃。我们生产的议会钟是一种数字钟，它执行以下任务：存储全天的时间表，蜂鸣器在每个时间段结束时响起，随时重新编程电路板的能力该系统使用 STM32 稳压器、蓝牙模块、议会钟蜂鸣器、带按钮的 16x2 LED 显示屏、入门电子走廊和 PCB 板来制作它。STM32 稳压器通过显示屏与瘾君子通信。提供处理和设置模式。该系统允许瘾君子在设置模式下连接 Android 手机。连接后，我们使用应用程序将时间表编程到系统中。Android 应用程序使瘾君子能够将当前时间表的时间输入到系统中。 STM 调节器使用内部 RTC 跟踪时间并显示当前和未来的时间。
全自动脑肿瘤分割用于增强现实中的3D评估
目的是目前可用的增强现实工作流程，需要使用手动或半自动分段创建3D模型，这是一个耗时的过程。作者创建了一种自动分割算法，该算法从单个T1加权MR序列中生成3D模型的皮肤，大脑，心室和对比度增强的肿瘤，并将该模型嵌入自动工作流中，以在云环境中增强现实的解剖结构的3D评估。在这项研究中，作者验证了该自动分割算法对脑肿瘤的准确性和效率，并将其与手动分割的地面真实集进行了比较。包括五十个对比度增强的T1加权序列，这些序列包括对比增强病变，测量至少5 cm 3。手动分割了地面真相集的所有切片。相同的扫描是在云环境中进行的，以进行自动分割。分割时间。将算法的准确性与手动分割的精度进行了比较，并根据Sørensen-Dice相似性系数（DSC），平均对称的表面距离（ASSD）和Hausdorff距离的95％（HD 95）进行了评估。结果自动分割算法的平均值±SD计算时间为753±128秒。平均值±SD DSC为0.868±0.07，ASSD为1.31±0.63 mm，HD 95为4.80±3.18 mm。脑膜瘤（平均0.89和中位0.92）的DSC大于转移（平均0.84和中值0.85）。自动分割的测量DSC（平均0.86和中位数为0.87）和HD 95（平均3.62 mm和中位3.11 mm）的上流转移的准确性要比依次转移的转移（平均0.82和中位数0.81 and 0.81 and dsc;平均值5.26 mm和median 4.72毫米）的HD 95 95毫米（平均0.82和中位数0.81），用于H.472 95 95 95 95 95 95 95 95 95 95毫米。结论通过提供3D增强对比度增强颅内病变的现实可视化，测量至少5 cm 3，基于云的分割算法是可靠，准确且足够快的，可以在日常临床实践中有助于神经外科医生。下一步涉及将其他序列合并并通过3D微调提高准确性，以扩大增强现实工作流程的范围。
SpikeDeep-classifier：一种基于深度学习的全自动离线脉冲分类算法
摘要 目的。电极设计的进步已导致微电极阵列具有数百个通道，可用于单细胞记录。在由此产生的电生理记录中，每个植入电极可以记录一个或多个神经元的尖峰活动 (SA) 以及背景活动 (BA)。本研究的目的是分离每个神经源的 SA。此过程称为尖峰排序或尖峰分类。高级尖峰排序算法非常耗时，因为在流程的各个阶段都需要人工干预。当前方法缺乏泛化能力，因为超参数的值并不固定，即使对于同一受试者的多个记录会话也是如此。在本研究中，提出了一种称为“SpikeDeep-Classifier”的全自动尖峰排序算法。所有评估数据的超参数值都保持不变。方法。提出的方法基于我们之前的研究 (SpikeDeeptector) 和一种新颖的背景活动拒绝器 (BAR)，它们都是监督学习算法和无监督学习算法 (K-means)。 SpikeDeeptector 和 BAR 分别用于提取有意义的通道并从提取的有意义的通道中去除 BA。一旦从数据中完全去除 BA，聚类过程就会变得简单。然后，对仅来自神经源的剩余数据应用具有预定义最大聚类数的 K 均值。最后，使用基于相似性的标准和阈值来保留不同的聚类并合并看起来相似的聚类。所提出的方法称为聚类接受或合并 (CAOM)，它只有两个超参数（最大聚类数和相似性阈值），在调整后对于所有评估数据保持不变。主要结果。我们将算法的结果与真实标签进行了比较。该算法在人类患者数据和公开可用的标记非人类灵长类动物 (NHP) 数据集上进行了评估。BAR 在人类患者数据集上的平均准确率为 92.3%，在 (K-means + CAOM) 之后进一步降低到 88.03%。此外，BAR 在公开可用的 NHP 标记数据集上的平均准确率为 95.40%，经过 (K-mean + CAOM) 后降至 86.95%。最后，我们将 SpikeDeep-Classifier 的性能与两位人类专家进行了比较，其中 SpikeDeep-Classifier 产生了可比的结果。意义。SpikeDeep-Classifier 在不同物种、不同大脑区域的多个记录会话的数据集上进行了评估
基于人工智能的全自动胸部 CT 肺气肿量化与肺功能测试的比较
尽管胸部 CT 未被纳入 GOLD 推荐的 COPD 患者诊断检查，但 CT 提供了有价值的补充信息，例如支气管壁增厚、肺气肿形态、严重程度和空气滞留，这些信息直接导致气流受限并与死亡率增加相关 [7, 8, 10–14]。此外，其他临床上与 COPD 相似的疾病，例如肺纤维化，只能通过高级成像才能区分 [15]。临床研究中通常使用几种基于 CT 的方法来评估肺气肿，包括视觉、半定量和定量技术 [16–22]。所有这些都需要严格的采集参数，需要手动输入，耗时，并且容易受到观察者间和患者间差异的影响，尤其是
从森林地区的机载激光扫描点云中进行全自动电力线提取
摘要：高压电线可以很容易地利用激光扫描数据进行测绘，因为高压线附近的植被通常会被移除，而且与区域网络和低压网络相比，高压电线位于地面上方。相反，低压电线位于茂密的森林中间，在这样的环境中很难对电线进行分类。本文提出了一种用于森林环境的自动电力线检测方法。我们的方法是基于统计分析和二维图像处理技术开发的。在统计分析过程中，应用一组标准（例如高度标准、密度标准和直方图阈值）来选择电力线候选点。将候选点转换为二值图像后，采用基于图像的处理技术。对象几何特性被视为电力线检测的标准。该方法在来自不同森林环境的六组机载激光扫描 (ALS) 数据中进行。与参考数据相比，93.26% 的电力线点被正确分类。分析并讨论了这些方法的优缺点。
一种利用 3D U-Net 架构对胶质瘤进行全自动肿瘤内分割的新方法
材料和方法：在本研究中，我们设计了一种新颖的 3D U-Net 架构，可分割各种放射学可识别的子区域，如水肿、增强肿瘤和坏死。提出了从肿瘤边界区域提取加权斑块的方案，以解决肿瘤和非肿瘤斑块之间的类别不平衡问题。该架构由一条用于捕获上下文的收缩路径和一条能够实现精确定位的对称扩展路径组成。基于深度卷积神经网络 (DCNN) 的架构在 285 名患者身上进行了训练，在 66 名患者身上进行了验证，并在来自脑肿瘤分割 (BraTS) 2018 挑战数据集的 191 名胶质瘤患者身上进行了测试。从多通道 BraTS 训练数据集中提取三维斑块来训练 3D U-Net 架构。我们还在来自我们三级癌症中心的 40 名高级别胶质瘤患者的独立数据集上测试了所提出方法的有效性。分割结果根据 Dice 分数、敏感度、特异性和 Hausdorff 95 距离（ITCN 肿瘤内分类网络）进行评估。