XiaoMi-AI文件搜索系统
World File Search System图像重建
PET 图像重建的人工智能
人工智能 (AI) 继续对物理学、自然语言处理、金融、人力资源、图像处理、蛋白质折叠 ( 1 ) 和病毒突变预测 ( 2 ) 等众多高度多样化的领域产生显著影响。广义上讲，人工智能是任何能够从示例数据或经验中学习如何执行任务的技术。这项技术与人类程序员或工程师提供大量且详尽的指令以执行任务的传统模式形成鲜明对比。人工智能的力量毋庸置疑，但与其他突破性技术一样，它的采用最初会引发担忧、怀疑甚至道德问题。特别是，人工智能在医学成像领域的应用已显示出巨大的潜力 ( 3 )，但一个关键问题是，当患者的生命经常受到威胁时，我们在多大程度上可以信任人工智能形成用于指导临床决策的图像。这篇简短的文章将探讨人工智能在 PET 图像形成或重建方面的方法、优势和问题（4），并将重点关注人工智能的一个分支学科，即深度学习（5）。我们将定义深度学习，然后将这个术语与人工智能互换使用。
图像重建来自光声投影
Changhui Li, l,m Meng Yang, n, * Sheng Wang, c, * and Jie Tian h,o,p, * a Institute of Artificial Intelligence, Hefei Comprehensive National Science Center, Hefei, China b School of Engineering Science, University of Science and Technology of China, Hefei, China c Department of Anesthesiology, the First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, China d Anhui Province Key Laboratory of Biomedical Imaging and Intelligent Processing, Hefei, China e College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, China f School of Information Science and Technology, ShanghaiTech University, Shanghai, China g Shanghai Clinical Research and Trial Center, Shanghai, China h CAS Key Laboratory of Molecular Imaging,中国科学院自动化研究所中国北京，国家生物医学成像中心，北京大学，北京，中国北部，n超声部门，复杂严重和稀有疾病的州主要实验室，北京联合医学院医院，中国医学科学院和北京联合医学院，北京，北京，北京，工程学，北京大学，北京大学北京，中国
自监督自然图像重建和大型...
从 fMRI 脑记录中重建自然图像并解码其语义类别是一项挑战。获取足够多的图像对及其相应的 fMRI 响应（这些响应涵盖了巨大的自然图像空间）是难以实现的。我们提出了一种新颖的自监督方法，该方法远远超出了稀缺的配对数据，用于实现：（i）最先进的 fMRI 到图像重建，以及（ii）首次从 fMRI 响应进行大规模语义分类。通过在一对深度神经网络（从图像到 fMRI 和从 fMRI 到图像）之间施加循环一致性，我们在来自许多新颖语义类别的大量“未配对”自然图像（没有 fMRI 记录的图像）上训练我们的图像重建网络。这使得我们的重建网络能够适应非常丰富的语义覆盖，而无需任何明确的语义监督。具体而言，我们发现将我们的自监督训练与高级感知损失相结合，可以产生新的重建和分类能力。具体来说，这种感知训练能够很好地对从未见过的语义类别的 fMRI 进行分类，而无需在训练期间使用任何类别标签。这带来了：（i）前所未有的从从未见过的图像的 fMRI 图像重建（通过图像指标和人工测试进行评估），以及（ii）在网络训练期间对从未见过的类别进行大规模语义分类。以前从未证明过从 fMRI 记录中进行如此大规模（1000 种）语义分类。最后，我们为所学模型的生物一致性提供了证据。
![[2]高棉的文本图像重建和赔偿...](/simg/g:\will\search\icon\source\1\1436b766064e02f32511275e22f481abc7f51e52.webp)
[2]高棉的文本图像重建和赔偿...
摘要：本研究的重点是使用先进的计算机视觉和深度学习技术提出文本图像重建和赔偿框架来保存柬埔寨的历史高棉棕榈叶手稿。为了解决保存，使用卷积神经网络（CNN）和生成对抗网络（GAN）来填充受损图像中字符缺失的模式。该研究利用Sulukrith集[1]，该集合由91,600张图像组成，分为两个部分：90,600个训练图像和1,000张测试图像。每个图像包含高棉棕榈叶脚本的单个字符。训练图像故意降解为三种不同的变体，每个变体均遭受三个级别的降解（1级，第2级和第3级）。评估性能并比较卷积神经网络（CNN）和生成对抗网络（GAN）模型的有效性，并采用了各种评估指标。这些指标包括均方根误差（MSE），峰值信噪比（PSNR）和结构相似性指数（SSIM）。通过根据这些指标评估两个模型的结果，可以观察到，GAN模型在MSE，PSNR和SSIM方面始终优于CNN模型。与CNN模型相比，GAN模型达到了较低的MSE值，较高的PSNR值和更高的SSIM值，这表明其在图像重建和保留原始文本方面具有出色的性能。
功能性近端脑空间图像重建...
均值最大熵 (MEM)4-6 和深度补偿 7 到加权最小范数 (WMN) 或 Tikhonov 正则化。根据我们的经验，由于正则化方法的性质，这些方法往往会高估假阳性率。8 先前的研究 9-11 建立了贝叶斯模型，结合皮质/头皮区域的先验信息、灵敏度归一化等，以消除头皮伪影、提高深度精度和空间分辨率以及进行多主体和多任务实验。然而，大脑功能区域的大脑解剖结构的先验空间信息从未在当前的 fNIRS 图像重建方法中得到适当使用。在本文中，我们描述了一种用于 fNIRS 图像重建的自适应融合稀疏重叠组套索 (a-FSOGL) 正则化方法。a-FSOGL 模型使用脑空间体素分组先验（例如来自基于图谱的感兴趣区域）来规范图像重建过程。为了更好地利用先验信息，我们开发了一个贝叶斯框架，通过将先验信息与适当的统计分布结合起来来解决该模型。该框架是基于先前对贝叶斯套索模型及其扩展的研究 12 – 16 建立的。我们的模型通过组合现有模型并涉及更多先验参数，将贝叶斯套索模型向前扩展了一步。在本文中，我们将首先简要回顾光学正向和逆模型的原理，然后推导出 a-FSOGL（Ba-FSOGL）的贝叶斯模型及其相关的统计属性，然后使用模拟 fNIRS 测量和实验数据演示该方法。本文的结构如下。理论部分（第 2 部分）概述了光学正向模型。在方法部分（第 3 和 4 部分），我们描述了 Ba-FSOGL 模型、模拟配置和实验数据收集。图像重建和统计推断的结果显示在第 4 部分中。 5，我们最后在第 6 节中讨论结果的发现和模型的局限性。在模拟研究中，我们重点关注前额最近邻双侧 fNIRS 探头的示例，并检查推断由基于图谱的布罗德曼区域 (BA) 分区定义的额叶和背外侧大脑区域变化的能力，然而，实验研究表明，这种方法可作为先验信息适用于任何大脑空间分区模型。
用于医学图像重建的量子计算
数据由英国伯明翰伊丽莎白女王医院提供。Symbia Pro.specta 并非在所有国家/地区上市。无法保证未来上市。请联系您当地的西门子医疗组织了解更多详情。[a] 金属伪影的减少量和相应的图像质量改善取决于许多因素，包括：金属物体的成分和大小、患者体型、解剖位置和临床实践。除了不使用 iMAR 的常规重建外，建议在启用 iMAR 的情况下进行重建。
图像重建的面貌：进展、陷阱、前景
最近的研究表明，观看人脸图像时获得的神经和行为数据可用于重建图像本身。然而，这一研究方向的理论含义、前景和挑战仍不清楚。我们评估了这项研究在阐明人脸识别背后的视觉表征方面的潜力。具体来说，我们概述了视觉内容、表征结构和人脸处理的神经动力学的互补和融合的描述。我们说明了这项研究如何解决正常和受损人脸识别研究中的基本问题，以及图像重建如何为揭示人脸表征、统一多种类型的经验数据以及促进理论和方法的进步提供强大的框架。
基于分数的生成模型用于PET图像重建
基于得分的生成模型已证明了磁共振成像或计算机断层扫描中的医疗图像重建任务的高度有希望的结果。然而，它们与正电子发射断层扫描（PET）的外观仍然没有探索。PET图像重新冲突涉及各种挑战，包括具有较高差异和广泛动态范围的泊松噪声。为了应对这些挑战，我们提出了基于评分的生成模型的几种特定于PET的适应。为2D和3D PET开发了所提出的框架。此外，我们还使用磁共振图像为指导重建提供了扩展。我们通过广泛的2D和3D内部实验来验证该方法，该实验的模型在没有病变的情况下对患者现实数据进行培训，并评估没有病变的数据以及带有病变的分布数据。这证明了拟议方法的鲁棒性和改善PET重建的重要潜力。
高分辨率FMRI图像重建的转移和无监督的学习在超高磁场
然而，随着这些加速fMRI获取的最新进展[3，4]，收购中保存的时间和复杂性已转移到图像重建中。目前，即使在社区中已经开发了现代变异压缩感（CS）重建技术，并且在我们的PYSAP软件[5]中可供选择（请参阅其fMRI 1的插件），但完全重建典型的4D（3D+时间）序列所需的时间预算是100个高分辨率FMRI FMRI FOLUMES架构的典型预算。为了加快这项任务，存在几种竞争方法，要么平行于多个GPU上连续的fMRI体积的重建，要么依靠深度学习在测试时本质上分解MR图像重建的数值复杂性。该博士学位论文将探索第二大道。