XiaoMi-AI文件搜索系统
World File Search System图像分割
图像分割在常规磁共振成像中确定原发性恶性脑肿瘤及转移瘤瘤周水肿面积与肿瘤面积比值的应用
在过去的几十年中，常规磁共振成像仍然是最常用的标准治疗成像方法 [5]。其能力非常有限，经常导致在区分两种不同类型的脑肿瘤发展时产生混淆。特别是在单发病灶的情况下，原发性恶性脑肿瘤和脑转移瘤在磁共振成像中的模式几乎相同，尽管治疗和管理完全不同。原发性恶性脑肿瘤患者将立即接受手术切除，而脑转移瘤患者必须首先经过更复杂的识别过程来确定癌症的起源位置，然后才能决定后续的治疗方法。冗长而不准确的诊断将进一步加重患者的病情 [6]。可用于观察上述比较的常规磁共振成像的两个序列是用于可视化肿瘤周围水肿的液体衰减反转恢复 (FLAIR) 序列和 T1W1
使用支撑矢量机和卷积神经网络评估脑低度神经胶质瘤中磁共振图像分割
恶性胸腔积液（MPE）通常与晚期肺癌有关。约有15％的非小细胞肺癌（NSCLC）患者表现出MPE；腺癌是最常见的组织学，对预后的负面影响（1）。实际上，平均生存率约为4.3个月（2）。由于癌症与肺栓塞，胸腔导管阻塞，上cava静脉抑制，心包浸润，低藻症，阻塞性肺炎或心血不良（3,4,4），伴有副塑性胸膜积液的鉴别诊断。许多研究提出了不同的治疗策略来改善预后，尽管在耐受性和生存方面很难建立最佳方法。本次审查的目的是评估各种治疗建议，以建立MPE患者管理中的最佳战略计划。我们评估了不同类型的治疗，我们发现其中大多数具有
创伤性脑出血的自适应图像分割
摘要 - 利用计算机技术建立有效的解决方案来提高创伤性脑损伤 (TBI) 诊断的速度和效率是一项挑战。相关文献中提出了几种涉及不同精度和一定程度工作量的分割方法，并对其进行了详细描述。脑图像分割是重要的临床诊断工具之一。本文提出了一种改进的 (MDRLSE) 算法，用于计算机断层扫描 (CT) 图像上的出血分割。利用消除模糊边缘的图像噪声来描绘出血区域的精确边界。所提出的分割技术实现了 97.16% 的准确率。该技术使用基于边缘的轮廓模型进行图像分割，提供简单的窄带以显着降低计算成本。性能结果表明，它对于具有各种特征的脑图像中的 TBI 图像分割是有效的。
大脑图像分割以诊断肿瘤...
摘要 - 图像的细分在医疗，军事，监视等领域都有广泛的应用。这项工作段用于检测大脑中肿瘤的医学共振图像，其中工作中的三个部分都在图像中识别出三个部分。首先是头骨，第二是大脑，第三是肿瘤。介绍的论文包括以无监督的方式对图像分割的描述，其中建议的模型在没有任何训练的情况下确定图像的所有段。在这里，Wiener Filter通过从图像矩阵中删除不需要的信息来预处理输入图像。过滤的图像然后以智能水滴（IWD）遗传算法传递，用于查找图像段的代表性像素值集。IWD算法中的图形水滴运动具有代表性像素值设置的选择精度。 实验是在脑肿瘤的实际数据集中进行的，检测是通过参考地面真相图像来完成的。 建议的模型评估了平均精度值0.98和平均准确度为96％。 因此，当将结果与现有方法进行比较时，就可以获得建议的分割工作增加了分割评估参数值。IWD算法中的图形水滴运动具有代表性像素值设置的选择精度。实验是在脑肿瘤的实际数据集中进行的，检测是通过参考地面真相图像来完成的。建议的模型评估了平均精度值0.98和平均准确度为96％。因此，当将结果与现有方法进行比较时，就可以获得建议的分割工作增加了分割评估参数值。
基于双向RNN的3D医疗图像分割的少数射击学习
在3D医学图像中对感兴趣的器官进行分割是准确诊断和纵向研究的必要条件。尽管使用深度学习的最新进展已显示出许多细分任务的成功，但是高性能需要大的数据集，而注释过程既耗时又耗时。在本文中，我们提出了一个3D少数射击分割框架，以使用目标器官注释的有限训练样本进行准确的器官序列。为了实现这一目标，像U-NET一样的网络旨在通过了解支持数据的2D片与查询图像之间的关系，包括辅助门控复发单元（GRU），该单元（GRU）了解相邻切片之间编码特征的一致性。此外，我们会介绍一种传输学习方法，以通过在支持数据中采样的任意支持和查询数据进行测试之前对模型进行更新，以适应目标图像和器官的特征。我们使用带有不同器官注释的三个3D CT数据集评估了我们提出的模型。我们的模型比最先进的射击分段模型产生了显着提高的性能，并且与经过更多目标培训数据训练的完全监督模型相当。
低光3D医疗图像分割的替代基线--- Atlas Perspective
低射击（一次/几次）分割引起了越来越多的注意力，因为它在有限的注释方面效果很好。状态低射击分割方法通常集中于每个新颖类的隐式表示学习，例如学习原型，通过掩盖的平均池来得出指导特征，以及使用特征空间中的余弦相似性进行分割。我们认为，医学图像上的低射击序列应进一步，以明确了解图像之间的密集对应关系以利用解剖学相似性。核心思想的灵感来自多ATLAS分割的策略实践，其中基于地图集的分割的不可分割部分，即，注册，标签繁殖和标签融合均未验证为我们的工作中的一个框架。特别是，我们提出了两个替代基本线，即暹罗基线和个体差异意识到的基线，其中前者针对的是解剖上稳定的结构（例如脑组织），而后者则具有强大的普遍化能力，可以进行大量的大型形态学变异（例如大型形态学或 - ab domalminal ab domalminal（例如abansminal）。总而言之，这项工作为低射击3D医疗图像分割建立了基准，并阐明了对基于ATLAS的几片分段的理解。
增强了脑肿瘤MR图像分割的增强区域
摘要：脑肿瘤是儿童和成人死亡率增加的最大原因之一。脑肿瘤是大量的组织，它无法控制调节大脑内部生长的正常力。脑肿瘤就会出现。大脑内部或颅骨内部的细胞异常生长，可能是癌变或非癌性的是成年人在埃塞俄比亚等发展中国家之下的成年人死亡的原因。研究表明，生长算法的区域可以手动或半手动初始化种子点，从而影响分割结果。但是，在本文中，我们提出了一种增强的自动种子点初始化区域生长算法。使用常见数据集Brats2015将拟议方法的性能与最先进的深度学习算法进行了比较。在拟议的方法中，我们应用了阈值技术来从每个输入脑图像中剥离头骨。剥去头骨后，将大脑图像分为8个块。然后，对于每个块，我们计算了平均强度，并从中从八个块中选择了最大平均强度的五个块。接下来，将五个最大平均强度用作分别生长算法的区域的种子点，并为每个头骨剥离的输入脑图像获得了五个不同的感兴趣区域（ROI）。我们提出的方法在三种不同的实验设置中得到了验证。使用骰子相似性评分（DSS），联合（IOU）的交叉点以及针对地面真实（GT）的准确性（GT）评估了使用拟议方法生成的五个ROI，并选择了最佳的感兴趣区域作为最佳ROI。最后，将最终的ROI与DSS的不同最新深度学习算法和基于区域的分割算法进行了比较。在第一个实验设置中，其中15个随机选择的大脑图像用于测试，并实现了DSS值为0.89。在第二和第三实验设置中，提出的方法分别为12个随机选择和800个脑图像的DSS值分别为0.90和0.80。三个实验设置的平均DSS值为0.86。
Honokiol抑制SKBR3细胞的生长 零星甲状腺癌的进展中的更新：从分子到诊所 在治疗晚结直肠癌治疗中的基于Pemetrexed的化学疗法 胃食管癌的靶向疗法 使用支撑矢量机和卷积神经网络评估脑低度神经胶质瘤中磁共振图像分割 肺癌中的恶性胸腔积液：专注于治疗 靶向边缘区淋巴瘤中的致病机制：概念和超越
honokiol是一种从中草药木兰中分离出的生物活性成分，可以有效抑制肿瘤细胞的生长。根据文献，Honokiol可以诱导胰腺癌和胃癌细胞的凋亡（4,5），并且还可以抑制黑色素瘤的生长和转移（6）。当前的乳腺癌研究仅限于Honokiol对两个人表皮生长因子受体2（HER2）阴性细胞系MDA-MB-231和MCF-7（7,8）的影响。Honokiol在乳腺癌SK-BR-3细胞中的作用和机制尚未报道。SK-BR-3细胞，它是上皮细胞的粘附细胞。作为具有里程碑意义的乳腺癌细胞，SK-BR-3细胞在许多研究中已被用作实验对象（9-11）。SK-BR-3细胞是具有高HER2表达的乳腺癌细胞。HER2阳性乳腺癌的复发和转移率很高，预后不良（12）。 发现可以有效抑制SK-BR-3细胞生长的抗肿瘤药物对于治疗乳腺癌很重要。 因此，在本研究中，我们使用不同浓度的HONOKIOR治疗乳腺癌SK-BR-3细胞，以观察其对SK-BR-3细胞的增殖，凋亡，侵袭和迁移的影响，并检测WNT信号传导途径相关蛋白质β-Catenin和c-Myc中WNT信号传导途径中表达的变化。 这可以提供新的证据，表明Honokiol可以用作有效治疗乳腺癌的抗肿瘤药物。HER2阳性乳腺癌的复发和转移率很高，预后不良（12）。发现可以有效抑制SK-BR-3细胞生长的抗肿瘤药物对于治疗乳腺癌很重要。因此，在本研究中，我们使用不同浓度的HONOKIOR治疗乳腺癌SK-BR-3细胞，以观察其对SK-BR-3细胞的增殖，凋亡，侵袭和迁移的影响，并检测WNT信号传导途径相关蛋白质β-Catenin和c-Myc中WNT信号传导途径中表达的变化。这可以提供新的证据，表明Honokiol可以用作有效治疗乳腺癌的抗肿瘤药物。我们根据MDAR报告清单介绍以下文章（可在http://dx.doi.org/10.21037/tcr-20-3110中找到）。