XiaoMi-AI文件搜索系统
World File Search System内窥镜
高斯煎饼：对现实的内窥镜重建
摘要。在结直肠癌诊断中，常规结肠镜检查技术面临着临界局限性，包括有限的视野和缺乏深度信息，这可能会阻碍检测预癌病变。当前的方法很难为结肠表面提供全面和策划的3D重建，这可以帮助最大程度地减少缺失的区域并重新进行癌前息肉。解决这个问题，我们介绍了“高斯煎饼”，这种方法利用了3D高斯分裂（3D GS）与经常基于神经网络的同时定位和映射（RNNSLAM）系统相结合。通过将几何和深度正则化引入3D GS框架 - 我们的方法可确保高斯与结肠表面更准确地对齐，从而使3D重建更加顺畅，并对详细的纹理和结构进行了新颖的观看。在三个Di-verse数据集中进行的评估表明，高斯煎饼增强了新型视图的合成质量，超过了当前的领先方法，PSNR增长了18％，SSIM提高了16％。它还提供了超过100×的更快渲染和超过10倍的培训时间，使其成为实时应用程序的实践工具。因此，这有望实现临床翻译，以更好地检测和诊断结直肠癌。代码：https：//github.com/smbonilla/gaussianpancakes。
用于预测早期胃癌淋巴结转移的机器学习模型不符合内窥镜可耐加固性标准
摘要背景我们开发了一种机器学习（ML）模型，以预测早期胃癌（EGC）患者淋巴结转移（LNM）的风险，这些患者不符合现有的日本内窥镜可固定性标准，并将其性能与最常见的临床风险扫描系统（Ecura System）相比。方法，我们使用了来自21家经过内窥镜亚粘膜溶解（ESD）和/或在2010年至2021年之间的21家机构的EGC患者的数据。所有切除的EGC在组织学上均未满足当前的日本内窥镜可耐加固性标准。在所有患者中，有3,506名构成了开发基于神经网络的ML模型的训练队列，而536个构成了验证队列。由接收器操作特征曲线（AUC）下的面积测量的ML模型的性能与验证队列中的ECURA系统的性能进行了比较。结果LNM率分别为14％（503/3,506）和7％（39/536），分别为培训和验证队列。ML模型在验证队列中鉴定出患有AUC为0.83（95％置信区间，0.76–0.89）的LNM患者，而ECURA系统鉴定出具有0.77的LNM的患者，其AUC为0.77（95％置信区间，0.70-0.85）（0.70-0.85）（p = 0.006）（p = 0.006，DELONG TEST）。结论我们的ML模型的性能优于ECURA系统，用于预测不符合日本内窥镜可固定性标准的EGC患者的LNM风险。迷你抽象，我们开发了一种基于神经网络的机器学习模型，该模型可预测早期胃癌患者淋巴结转移的风险，这些患者不符合内窥镜可缓解性标准。
医疗内窥镜检查实时3D重建的进步
摘要：此贡献旨在为研究人员提供有关适用于医疗内窥镜检查的实时3D重建方法的最新最新概述。在过去的十年中，计算能力方面已经取得了各种技术进步，并且在许多计算机视觉领域（例如自动驾驶，机器人技术和无人驾驶航空车辆）的研究工作增加了。其中一些进步也可以适应医疗内窥镜检查领域，同时应对诸如无特征表面，不同的照明条件和可变形结构等挑战。为提供全面的概述，进行了单眼，双眼，三眼和多眼方法的逻辑划分，并区分了主动和被动的方法。在这些类别中，我们认为柔性和非弹性内窥镜都尽可能充分地覆盖最新的内窥镜。讨论了与此处介绍的出版物进行比较的相关错误指标，并且在讨论了何时选择GPU而不是FPGA的基于摄像机的3D重建的选择。我们详细阐述了使用数据集的良好实践，并直接比较了提出的工作。重要的是要注意，除了医学出版物外，还认为对Kitti和Middlebury数据集进行评估的出版物还包括可能适用于医疗3D重建的相关方法。
光纤和微波控制的纤维尖端内窥镜
我们提出了一个坚固的，基于光纤的内窥镜，其射频发射的银色直线射击结构（RF）发射旁边是光纤面的发射。因此，我们能够激发和探测样品，例如钻石中的氮呈（NV）中心，带有RF和光学信号，并通过纤维完全测量样品的荧光。在我们的目标频率范围约为2.9 GHz的范围内，纤维芯的小平面位于RF引导银结构的近场中，这具有最佳RF强度随距离迅速降低的优势。通过在光纤的覆层上创建银结构，我们在光学激发和检测到的样品与天线结构之间达到了最小的距离，而不会影响光纤的光学性能。这使我们在考虑具有集成光学和RF访问的内窥镜解决方案时可以在样品的位置实现高RF振幅。通过光学检测到的磁共振（ODMR）测量对NV掺杂的微足面的测量进行量化，我们将其探测为实际用例。我们演示了17.8 nt /√< / div>的设备的磁灵敏度
引用：Phillips AE，Afghani E，Akshintala VS等。胰腺定量感觉测试可预测内窥镜治疗的治疗反应O
抽象引入慢性胰腺炎患者（CP）腹痛的治疗方法在中枢神经系统敏化的情况下仍然具有挑战性，这是由持续性疼痛刺激引起的重塑和神经元过度刺激性的现象。这被怀疑使受影响的个体不太可能对传统疗法做出反应。内疗或手术减压为胰管阻塞的患者提供。但是，对治疗的反应是不可预测的。胰腺定量感觉测试（P-QST）是对CP中疼痛系统测试疼痛系统的一种调查技术，已用于将患者分为三个相互排他性的组：没有中心敏化，节段敏感性，节段敏感性（pancreatic panccurotome）（胰腺场外场）和广泛的超级过敏性中心化。我们将测试预处理P-QST表型的预测能力，以预测疼痛CP侵入性治疗后疼痛改善的可能性。方法和分析这项观察性临床试验将招募匹兹堡大学，约翰·霍普金斯大学和印第安纳大学的150名患者。参与者将使用P-QST进行预处理。治疗将是胰腺内疗或手术，以清除疼痛的胰管阻塞。主要结果：在干预后6个月时，以前7天的平均疼痛评分在前7天中。探索结果将包括创建一个模型，以预测对侵入性治疗的反应。次要结果将包括随访期间阿片类药物使用的变化，以及干预后3、6和12个月的患者报告的疼痛和生活质量的结果。伦理和传播该试验将评估P-QST预测痛苦CP侵入性治疗的反应的能力，并为
内窥镜透性方法的定量比较手术分析和额叶 - 邻苯甲酸的方法用于外部exposu
目的是最近，内窥镜上眼睑透性方法（SETA）已成为进入海绵窦（CS）的潜在替代方法。先前的几项研究试图定量地比较传统的开放前外侧颅底接近和透性暴露。但是，这些比较仅限于骨开口和轨迹提供的暴露区域，并且无法说明随后必要的手术操作提供的主要暴露途径。作者定量地比较了额颞骨（FTOZ）方法提供的手术通道和适用的Periclinoid手术操纵后的SETA，评估每个关键结构中关键结构的手术暴露，并讨论最佳方法选择。方法SETA和FTOZ方法是在8个Cadaveric头上进行的随后适用的手术操作。颅神经（CNS）II – VI和颈内动脉的暴露长度；跨层次，额叶和上颌骨（前）三角形的空间区域；曝光总面积；并比较了攻击的角度。结果在方法之间的结果是可比的，而FTOZ方法中的访问明显更大。在方法之间，CN III，V1，V2和V3的内部暴露的长度是可比的。FTOZ方法提供了CNS IV（20.9±2.36 mm vs 13.4±3.97 mm，p = 0.023）和VI（14.1±2.44 mm vs 9.22±3.45 mm，p = 0.066）的暴露略有增加。FTOZ还提供了明显更大的垂直（44.5°±6.15°VS 18.4°±1.65°，p = 0.002）和水平（41.5°±5.40°Vs 15.3°±5.06°，P <0.001）的范围更大，因此较大的攻击范围很大，并且是显着的自由度，并且是对攻击的范围。 = 0.021）和Infratrochlear（p = 0.007）三角形，以及海绵状内部颈动脉的暴露明显更大（17.2±1.70 mm vs 8.05±2.37 mm，p = 0.001）。在FTOZ中，总暴露面积也明显更大，该面积为CS的侧壁提供了广泛的访问以及内部通路的可能性。结论这是第一个定量确定在必要的手术手术后，目标区域中FTOZ和跨渗透方法的相对优势的研究。理解这些数据将有助于根据目标病变的大小和位置选择最佳方法和操作集。
比较脑力脑分流和内窥镜第三室术后脑积水儿童的运动发育：CRO
摘要简介脑室分流插入（VPSI）和内窥镜第三室造口术（ETV）是治疗小儿脑积水的主要程序。但是，比较两种治疗后运动发育的研究受到限制。目标我们旨在确定经历VPSI或ETV后2岁的脑积水儿童的运动发育结果，以确定哪些手术方法可以产生更好的运动结果，并且对马拉维儿童可能更有效。方法这是一项横断面研究，我们招募了两组参与者：一组由用VP分流的脑积水儿童组成，而另一组则在本研究之前至少6个月接受了ETV处理。参与者是从医院记录中确定的，并被要求使用马拉维发展评估工具（MDAT）来进行神经发育评估。结果在18个月内，总共有152名对脑积水治疗的儿童符合纳入标准。在跟进和追踪后，我们招募了25名接受治疗的孩子：12个患有vpsi，13个患有ETV。MDAT揭示了两个评估的运动域中的延迟：25名儿童中有19个延迟了总运动量，而25个儿童中有16个延迟了精细运动的发育。分流和ETV组之间没有显着差异。结论儿童脑积水表明，用VPSI或ETV治疗后六到18个月，运动发育的延迟。这可能需要早期和长时间的强化康复才能恢复手术后的运动功能。需要具有较大样本量的长期随访研究，以检测两种治疗方法的效果。
手术 - 迪诺：基础模型的适配器学习内窥镜手术深度估计的基础模型
机器人手术中的抽象目的深度估计在3D重建，手术导航和增强现实访问中至关重要。尽管基础模型在许多视觉任务中表现出出色的性能，包括深度估计（例如Dinov2），但最近的作品观察到了其在医学和外科域特异性应用中的局限性。这项工作介绍了手术深度估计基础模型的低排名适应性（LORA）。方法我们设计了一种基于基础模型的深度估计方法，称为手术 - 迪诺，这是对内窥镜手术深度估计的Dinov2的低级适应。我们建立洛拉层并将其集成到恐龙中，以适应手术特异性领域知识，而不是传统的调整。在训练期间，我们冻结了Dino Image编码器，该编码器显示出出色的视觉表示能力，仅优化Lora层和深度解码器以整合手术场景的特征。结果，我们的模型在MICCAI挑战数据集上得到了广泛的验证，该数据集是从Da Vinci XI内窥镜手术中收集的。我们从经验上表明，手术迪诺的显着性在内窥镜深度估计任务中的表现优于所有最新模型。进行消融研究的分析表明，我们洛拉层和适应的显着作用的证据。结论手术迪诺（Div）揭示了基础模型成功适应手术领域以进行深度估计。结果有明确的证据表明，对计算机视觉数据集中预训练的权重的零拍预测或幼稚的调整不足以直接在手术域中使用基础模型。
胃肠内窥镜检查中的人工智能
将人工智能 (AI) 融入胃肠道 (GI) 内窥镜检查预示着胃肠道疾病管理的重大飞跃。人工智能应用，如计算机辅助检测和计算机辅助诊断，显著推进了胃肠道内窥镜检查，改善了早期检测、诊断和个性化治疗计划。人工智能算法在内窥镜数据分析方面表现出色，这对于传统上诊断灵敏度较低的疾病至关重要，例如不确定的胆道狭窄和胰腺癌。卷积神经网络与胆管镜检查或内窥镜超声相结合可以显著改善诊断过程，尤其是在检测恶性胆道狭窄和胆管癌方面。人工智能分析复杂图像数据并提供实时反馈的能力可以简化内窥镜检查程序，减少侵入性活检的需求，并减少相关不良事件。然而，人工智能的临床实施面临着挑战，包括数据质量问题和过度拟合的风险，这凸显了进一步研究和验证的必要性。随着技术的成熟，人工智能有望成为胃肠病学家不可或缺的工具，因此有必要将强大且经过验证的人工智能应用整合到常规临床实践中。尽管取得了显著的进步，但仍然存在诸如操作员依赖准确性和需要进行复杂检查等挑战。本综述深入探讨了人工智能在提高内窥镜诊断准确性方面的变革性作用，特别强调了其在胃肠道疾病的早期发现和个性化治疗中的实用性。
使用说明：灵活的内窥镜采样套件
产品柔性内窥镜采样试剂盒（FESK）产品内窥镜培养样品样品产品代码编号的通用名称（S）Fesk-200-200-200-200-200-200-200-230-400，FESK-230-400，FESK-230-600，FESK- FESK- 230-900，意图使用柔性式启动式的仪式和仪式的仪式，以收集Quills and sample®的样品。测试微生物的存在。如果存在，将量化生物体，并确定两个（2）个生物。如果需要/需要，可以额外收取其他生物体识别。此测试不能确保柔性内窥镜对患者使用的适用性。用于没有电梯机制的柔性内窥镜的细菌监视测试的产品范围。产品的关键规格样品收集容器（ClickTainer™）ClickTainer™标签剪刀Harmmark®