XiaoMi-AI文件搜索系统
World File Search System图像质量
kurl：主动对象跟踪的知识引导增强学习模型
最近的研究表明，基于深层执行学习的主动对象跟踪算法具有模型训练的困难，同时实现了有利的跟踪结果。此外，当前的活动对象跟踪方法不适合在高空环境中（例如空气搜索和重新设置）中的空对地面对象跟踪方案。因此，我们提出了一种用于主动对象跟踪的知识引导的增强学习（KURL）模型，其中包括两个嵌入式知识引导的模型（即国家识别模型和世界模型），以及增强学习模式。状态识别模型利用观察到的状态与图像质量（通过对象识别概率衡量）之间的相关性作为先验知识来指导强化学习算法以提高观察到的图像质量。增强学习模块会积极控制Pan-Tilt-Zoom（PTZ）相机以实现稳定的跟踪。此外，还提出了一种世界模型来代替用于模型训练的传统虚幻引擎（UE）模拟器，从而大大提高了训练效率（大约十次）。结果表明，与类似任务中的其他方法相比，KURL模型可以显着提高跟踪的图像质量，稳定性和鲁棒性。关键字：活动对象跟踪；强化学习；知识引导； PTZ摄像机；自动控制。
加拿大PET-CT的未来
8位受访者指出的最常见的技术进步是数字PET-CT。调查受访者评论说，数字PET-CT可以提高灵敏度并提高图像质量，从而提高病变可检测性和诊断信心。调查受访者指出的图像质量的具体改进 - 无论是数字PET-CT的一部分，还是作为硬件，软件和采集方法的一般进步 - 包括改进的飞行时间计算，更长的轴向视野系统，改进的图像重建功能，图像重建功能，空间分辨率的精确性精度和更敏感的运动校正疗程。注意到，在扫描或后处理过程中，提高了图像质量，可以提高诊断病理的能力，并促进较短的扫描时间与较旧的PET-CT设备相比产生可比或更高质量的图像。
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
自动化的广义深度学习模型...
背景和目标：心血管磁共振（CMR）成像是各种心血管疾病的功能和解剖学评估的强大方式。足够的图像质量对于实现适当的诊断和治疗至关重要。大量的医学图像，各种成像伪像以及成像中心的工作量是揭示自动图像质量评估必要性（IQA）的必要性之一。但是，自动化IQA需要访问批量注释的数据集以培训深度学习（DL）模型。标记医学图像是一个乏味，昂贵且耗时的过程，这在提出基于DL的医疗方法方面构成了基本挑战。本研究的目的是在对注释数据集的访问权限有限的情况下，为CMR IQA提供一种新方法。
34 次探险摄影
35 毫米格式胶片摄影能够以合理的成本产生满足所有正常使用需求的图像质量；大多数探险队成员都熟悉这种技术，并且不需要新技能；传统相机相对坚固耐用，并且不依赖电池。但是，胶片相机拍摄的照片只有在处理后才能查看，图像不能直接用于传输，胶片在运输过程中容易损坏，并且运行成本很高，特别是与实际要求的图像质量相比。数码摄影可以大大节省文献成本，因为不需要胶片处理，而且图像易于在现场查看。图像很容易立即标注入藏代码、描述和发现地点；它们很容易通过卫星电话传输到网站；标本、疾病、事故等图像可以通过电子邮件发送给驻地顾问，以供鉴定或提供建议。但是，设备耐用性较差，而且都依赖电池供电；数码相机最好与计算机配合使用（尽管不是必需的）；初始成本（包括培训）可能很高；图像质量可能受限于出版用途（见下文“数码相机”）。总之，当条件极其苛刻或需要高质量复制图像且不需要传输图像时，基于胶片的摄影是最佳选择。当需要大量图像进行记录保存时，当条件
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
神经影像学中的人工智能：临床应用
随着深度学习 (DL) 的出现，人工智能 (AI) 正在迅速改变人类的生活，更不用说神经放射科医生的生活了。在过去的几年中，DL 已经应用于神经影像学前沿的许多研究。它已显示出改变放射学各个角落实践的潜力。通过减少检测脑转移瘤 (BM) (1, 2) 的繁琐工作以及预测胶质母细胞瘤的基因突变和患者生存率 (3, 4) 以改善受运动伪影 (5) 阻碍的图像质量，AI 现已准备好充分发挥其能力。在这篇综述中，我们将重点介绍 AI 在神经影像学中的四大类临床应用：1) 检测/诊断，2) 预测，3) 图像质量改进，和 4) 临床工作流程改进。
神经影像中的人工智能：临床应用
深度学习 (DL) 的出现增强了人工智能 (AI)，它正在迅速改变人类的生活，更不用说神经放射学家的生活了。在过去的几年中，DL 已应用于神经成像领域的许多前沿研究。它已显示出改变放射学各个角落实践的潜力。通过减少检测脑转移瘤 (BM) (1、2) 的繁琐工作以及预测胶质母细胞瘤的基因突变和患者生存率 (3、4) 以改善受运动伪影 (5) 阻碍的图像质量，AI 现已准备好充分发挥其能力。在这篇综述中，我们将重点介绍 AI 在神经成像领域的四大临床应用类别：1) 检测/诊断，2) 预测，3) 图像质量改进，以及 4) 临床工作流程改进。
供应商 - 不足的深度学习图像在脑计算机断层扫描中Denoising denoising：多扫描仪研究
Matter-White物质分化（GM-WM），人工制品，清晰度和诊断信心。客观分析包括对噪声，对比度比率（CNR），signal-noise比率（SNR）的评估，后窝的伪影指数。结果进行了主观图像质量评估，与所有读者的所有类别中的FBP相比，与FBP相比，DLD与FBP相比持续出色。客观的图像质量分析显示，使用DLD用于所有扫描仪的噪声，SNR和CNR以及伪影指数的显着改善（p <0.001）。结论供应商深度学习deNoising al-gorithm在亚置以及与FBP重建相比的较小头部创伤的papaptigent的NCCT图像中提供了明显优于较高的结果。在所有五个扫描仪中都产生了这种效果。