XiaoMi-AI文件搜索系统
World File Search System图像重建
人工智能和深度学习推动 PET 图像重建：最新进展和未来方向
正电子发射断层扫描 (PET) 对于诊断疾病和监测治疗至关重要。传统的图像重建 (IR) 技术（如滤波反投影和迭代算法）功能强大，但也存在局限性。PET IR 可以看作是图像到图像的转换。使用多层神经网络的人工智能 (AI) 和深度学习 (DL) 为这项计算机视觉任务提供了一种新方法。本综述旨在为核医学专业人士和人工智能研究人员提供相互理解。我们概述了 PET 成像的基础知识以及基于人工智能的 PET IR 的最新技术及其典型算法和 DL 架构。通过推断衰减和散射校正、正弦图修复、去噪和超分辨率细化，进步提高了分辨率和对比度恢复、降低了噪声并消除了伪影。核先验支持列表模式重建、运动校正和参数成像。混合方法将人工智能与传统 IR 相结合。人工智能辅助 PET IR 的挑战包括训练数据的可用性、跨扫描仪兼容性以及幻觉病变的风险。除了监管问题外，还强调了严格评估的必要性，包括定量幻影验证和与传统 IR 诊断准确性的视觉比较。首批获批的基于人工智能的应用程序已在临床上可用，其影响是可以预见的。新兴趋势，例如多模态成像的集成和先前成像访问数据的使用，凸显了未来的潜力。持续的合作研究有望显着提高图像质量、定量准确性和诊断性能，最终导致基于人工智能的 IR 集成到常规 PET 成像协议中。
可被证明基于得分的扩散后取样，用于插件图像重建
在科学和工程中的许多任务中，目标是从从已知的前向模型中收集的少量嘈杂测量值中推断出未知的图像，描述了某些传感或成像模式。由于资源限制，此图像重建任务通常是极度不良的，因此需要采用表达性的先验信息以正行解决方案空间。基于得分的扩散模型，由于其令人印象深刻的经验成功，已成为图像重建中表现出的先验的吸引人的候选人。为了立即适应各种任务，开发有效，一致和健壮的算法非常有趣，这些算法将图像先验分布的无条件得分函数与远期模型的灵活选择结合在一起。这项工作开发了一种算法框架，用于在与一般正向模型的非线性反问题中使用基于得分的扩散模型作为当前数据。是由成像社区中的插件和播放框架激励的，我们引入了一种扩散的插件方法（DPNP），该方法替代称为两个采样器，这是一个仅基于远期模型的可能性函数，并且是基于远期的扩散采样者的近端一致性采样器，并基于远期模型的函数。关键见解是，在白色高斯噪声下进行降解可以通过随机（即DDPM型）和确定性（即DDIM型）采样器使用相同的分数函数进行训练。代码可在https://github.com/x1xu/diffusion-plug-and-play上找到。我们同时建立了DPNP的渐近性和非质子性能保证，并提供了数值实验，以说明其在解决线性和非线性图像重建任务方面的希望。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。
深度学习图像重建（DLIR）对冠状动脉钙定量的影响
在有丝分裂期间，染色体发生广泛的结构变化，导致形成紧凑的cy骨体并终止大部分DNA依赖性代谢活性。因此，不会预期会干扰诸如DNA复制和转录等过程的DNA率对有丝分裂的基因组稳定性构成重大威胁。但是，有一些例外。DNA复制和修复中间介导，从物理上互连姐妹染色单体会危及忠实的染色体染色体，并且需要在后期开始之前解决。此外，二含染色体可以形成染色质桥，并诱导融合融合 - 破裂周期，对基因组稳定性产生可怕的后果。最后，在有丝分裂的早期逃脱G2/M DNA损伤检查点或出现的染色体断裂可能会导致落后的Acentric DNA片段在细胞退出有丝分裂时会误差并形成微核。染色质桥和微核都是突变级联反应的潜在来源，可导致巨大的杂质不稳定性，并显着促进基因组复杂性。在这里，我们回顾了我们对染色体桥和微核的起源和后果的最新进展以及细胞抑制它们的机制。
基于生成对抗网络的中风电容耦合电阻抗断层扫描图像重建
摘要：本研究探讨了基于机器学习的中风图像重建在电容耦合电阻抗断层扫描中的潜力。研究了使用对抗神经网络 (cGAN) 重建的脑图像的质量。使用二维数值模拟生成监督网络训练所需的大数据。无撞击损伤和有撞击损伤的头部轴向横截面模型平均为 3 厘米厚的层，与传感电极的高度相对应。使用具有特征电参数的区域对中风进行建模，这些区域是灌注减少的组织。头部模型包括皮肤、颅骨、白质、灰质和脑脊液。在 16 电极电容式传感器模型中考虑了耦合电容。使用专用的 Matlab ECTsim 工具包来解决正向问题并模拟测量。使用数字生成的数据集训练条件生成对抗网络 (cGAN)，该数据集包含健康患者和出血性或缺血性中风患者的样本。验证表明，使用监督学习和 cGAN 获得的图像质量令人满意。当图像对应于中风患者时，可以从视觉上区分，出血性中风引起的变化最为明显。继续进行图像重建以测量物理幻影是合理的。
利用人工智能（AI）技术探究CT图像重建方法的物理特性
目的：我院于2021年2月引进的计算机断层扫描（CT）设备增加了利用人工智能（AI）技术的新型图像重建方法。这种重建方法被称为深度学习重建（Deep Learning Reconstruction，以下简称DLR），佳能称之为高级智能Clear-IQ引擎（Advanced intelligent Clear-IQ Engine，以下简称AiCE）。本研究的目的是评估各重建方法的物理特性和实用性，例如利用AI技术的新型图像重建方法AiCE和目前我院使用的迭代重建方法自适应迭代剂量减量3D（以下简称AIDR 3D）。 方法：通过（1）噪声评估（使用径向频率法测量噪声功率谱（NPS））、（2）低对比度分辨率评估（使用自制模型测量对比度噪声比（CNR））和（3）空间分辨率评估（使用圆边缘法测量调制传递函数（MTF））（1）来评估物理特性。假设成像条件为腹部区域，改变管电流来比较四种重建方法（滤波反投影 (FBP)、AIDR 3D Mid、AIDR 3D 增强 Mid 和 AiCE Body Mid）。 结果：在 NPS、CNR 和 MTF 测量中，AiCE 通常在所有 mAs 值下均显示出最佳结果。然而，在 NPS 测量的低频区域，AiCE 与其他重建方法相比并没有表现出显著差异。 此外，当比较 AIDR 3D 和 AiCE 的重建时间时，AiCE 所花的时间是 AIDR 3D 的 3 到 4 倍。 结论：本研究中，AiCE 在腹部条件下检查的三个物理特性方面优于 AIDR 3D，并且在图像质量方面有用。然而，在考虑重建时间时，需要考虑AiCE图像的运行可能会影响检查进度的可能性。
使用深度学习从 fMRI 进行自然图像重建：一项调查
1.1. 使用 fMRI 进行视觉解码 许多脑成像研究集中于解码人脑如何表示有关外部世界的信息。考虑到大多数外部感官信息是由人类视觉系统处理的（ Logothetis 和 Sheinberg，1996 ），需要更深入地了解人脑的视觉信息处理，这促使建立能够表征视觉刺激内容的复杂计算模型。这个问题被称为人类对感知图像的视觉解码，并受到越来越多的关注。功能性磁共振成像（fMRI）在最近的神经科学研究中取得了重大进展（ Poldrack 和 Farah，2015；Nestor 等，2020 ）。fMRI 技术通过测量血氧水平的变化来捕捉大脑中的神经活动（ Ogawa 等，1990；Bandettini，2012 ）。在各种脑成像技术中，fMRI 是非侵入性的并且具有很高的空间分辨率。这些特性使得 fMRI 能够用于广泛的问题，包括神经系统疾病诊断（Rakhimberdina 等，2020；Zhang 等，2020）和人类视觉解码（Haxby 等，2001；Kamitani and Tong，2005；Horikawa and Kamitani，2017）。人类视觉解码领域的最新进展表明，除了仅仅对视觉刺激的信息进行编码（Poldrack and Farah，2015）之外，fMRI 捕捉到的大脑活动还可用于重建视觉刺激信息（Kay 等，2008；Roelfsema 等，2018）。根据目标任务，人类视觉解码可分为刺激类别分类、刺激识别和重建（Naselaris 等，2011）。在分类中，大脑活动用于预测所呈现刺激的离散对象类别（Haxby 等人，2001；Horikawa 和 Kamitani，2017）。识别的目标是从一组已知的刺激图像中识别出与给定大脑活动模式相对应的特定刺激
NeuroPictor：通过多个体预训练和多级调制完善 fMRI 到图像重建
摘要：最近的 fMRI 到图像方法主要侧重于将 fMRI 信号与预训练扩散模型的特定条件相关联。这些方法虽然可以生成高质量的图像，但仅捕获了 fMRI 信号中复杂信息的有限方面，并且对图像创建几乎没有细节控制。相比之下，本文提出使用 fMRI 信号直接调节扩散模型的生成过程。我们的方法 NeuroPictor 将 fMRI 到图像的过程分为三个步骤：i）fMRI 校准编码，用于处理共享潜在空间的多人预训练，以最大限度地减少个体差异并为后续的多受试者训练提供支持；ii）fMRI 到图像多受试者预训练，感知学习以指导不同个体之间具有高级和低级条件的扩散模型；iii）fMRI 到图像单人细化，与步骤类似
双引导脑扩散模型：从人类视觉刺激 fMRI 进行自然图像重建
摘要：从记录大脑活动的 fMRI 信号中重建视觉刺激是一项具有挑战性的任务，在神经科学和机器学习领域具有重要的研究价值。先前的研究倾向于强调重建刺激图像的像素级特征（轮廓、颜色等）或语义特征（对象类别），但通常这些属性不会一起重建。在这种情况下，我们介绍了一种新颖的三阶段视觉重建方法，称为双引导脑扩散模型 (DBDM)。首先，我们使用非常深的变分自动编码器 (VDVAE) 从 fMRI 数据中重建粗略图像，捕捉原始图像的底层细节。随后，使用引导语言图像预训练 (BLIP) 模型为每个图像提供语义注释。最后，利用多功能扩散 (VD) 模型的图像到图像生成管道从由视觉和语义信息引导的 fMRI 模式中恢复自然图像。实验结果表明，DBDM 在定性和定量比较方面均超越了以前的方法。特别是，DBDM 在重建原始图像的语义细节方面取得了最佳性能；Inception、CLIP 和 SwAV 距离分别为 0.611、0.225 和 0.405。这证实了我们模型的有效性及其推动视觉解码研究的潜力。
利用人工智能和计算几何从卫星图像重建 3D 环境以用于混合现实
得益于人工智能和计算几何，高分辨率卫星图像源的增加和可用性的提高使得能够越来越快速地重建忠实的 3D 制图环境，以满足部队训练设备模拟的需求，特别是混合现实可视化。我们开发了一种操作自动化管道，可以从多立体卫星图像中自动生成数字地形模型和正射影像。多立体影像和简单的正射影像也可以生成用于描述遮罩（建筑物、树木）的几何图形所需的额外 3D 矢量资产。此外，我们的管道允许识别屋顶形状和自动对建筑物进行纹理处理，使用一种结合人工智能和程序建模的混合方法。提供以自动方式生成的优化 3D 图块格式（CESIUM 推广的 OGC 标准），可以在各种可视化引擎中大规模传播生成的信息。最后，在混合现实（Microsoft HoloLens 2）的背景下，将虚拟对象集成到真实场景中，可以计算现场场景的掩星。这些进步为快速且经济高效地生成大规模地形提供了突破性技术，为模拟中的自动场景生成（虚幻引擎 5）提供了必要的精度。
激光医学图像重建和聚甲基丙烯酸甲酯的计算机辅助设计，用于儿科可拆卸间隙保持器的应用
背景：乳牙过早脱落是儿童牙科的常见问题，导致牙弓完整性被破坏。因此，用于维持空间的间隙保持器 (SM) 是必需的。然而，目前制作可拆卸间隙保持器 (RSM) 的方法存在一些局限性。方法：利用扫描技术结合激光医学图像重建获得牙列缺损的数字模型。使用 3 shape 软件设计数字 RSM。它们使用两种方法制造：聚甲基丙烯酸甲酯 (PMMA) 和传统方法。用硅胶替换 RSM 的组织表面和模型之间的间隙，测量最大、平均距离和标准差。使用三维变异分析来测量这些空间。方差检验比较了不同材料之间的距离差异。结果：PMMA RSM 可以很好地拟合模型。PMMA 组的最大距离和平均距离明显小于传统组 (p < 0 0 01)。 PMMA组与传统方法组之间的标准差无显著差异。结论：数字化设计集成的RSM具有良好的适用性，优于传统方法。采用CAD/CAM技术制造的PMMA RSM可以应用于临床。