XiaoMi-AI文件搜索系统
World File Search System图像重建
测量基于深度学习的压缩感中的鲁棒性
抽象的深神经网络为重建少量和嘈杂测量的图像重建图像提供了最新的准确性，例如在加速磁共振成像（MRI）中引起的问题。然而，最近的作品引起了人们的担忧，即基于学习的图像重建方法对扰动很敏感，并且比传统方法不那么易用：神经网络（i）可能对小而却对对抗性的扰动敏感，（ii）可能会在分配中表现不佳，并且（iii）可能会在覆盖小型的图像中表现出色，但可能会在一个图像中覆盖重要特征。为了理解对此类范围的敏感性，在这项工作中，我们测量了图像重建的不同方法的鲁棒性，包括训练有素和未经训练的神经网络以及传统的基于稀疏的方法。我们发现，与先前的作品相反，训练和未经训练的方法都容易受到副本扰动的影响。此外，针对特定数据集调整的经过训练和未经训练的方法都在分配转移中遭受的损失非常相似。fi-Nelly，我们证明了一种实现更高重建质量的图像重构方法在准确恢复细节方面的性能也更好。我们的结果表明，基于最新的深度学习图像重新构造方法比没有构成鲁棒性的传统方法提供了改进的穿孔方法。
急性和慢性阿普唑仑治疗对脑血流量、记忆力、镇静和血浆儿茶酚胺的影响
所有 PET 研究均采用经过大量改进的 Scanditronix SP-3000 进行。该断层扫描仪是一台带有 BaF 晶体的全身飞行时间机器，特别适合通过快速注射 0.15 水进行的高计数率研究。图像重建的分辨率为 10 毫米。使用侧颅骨 X 射线仔细定位受试者，并用定制的聚氨酯泡沫头架和热塑性面罩固定头部。在注射任何示踪剂之前，使用旋转的 Ge-68 源获取衰减数据集 40 分钟。这稍后在图像重建期间用于适当校正发射数据。在衰减扫描之前，在右侧肘前窝放置静脉导管，在左侧放置桡动脉导管。含有 Ge68 的校准瓶位于视野范围内，并从瓶中取出一部分放入伽马计数器进行计数，以便计数器和
功能区域图像重建在利用丘脑底核-深部脑刺激治疗帕金森病的编程中的新应用
必须根据每位患者的临床表现进行量身定制。许多因素都有助于取得积极的 DBS 效果，包括精心选择患者、放置导线和有效编程（6）。只有 DBS 编程可以在患者植入后进行修改，因此，DBS 编程在改善临床结果方面起着至关重要的作用（7）。尽管如此，30 年来，编程一直是一个手动且耗时的过程，需要训练有素且经验丰富的临床医生才能使每位患者获得最大的治疗效果（8、9）。在随访期间通常会组织其他课程来处理刺激引起的副作用（例如，言语问题和刺激引起的运动障碍）或潜在帕金森病的恶化。虽然这些重新编程课程的效用已得到充分证实，但尚无指导方针，而且大多数这些变化依赖于少数开放标签研究的结果（10-12）。事实上，尽管DBS已应用近三十年，但目前仍缺乏系统的编程协议，导致刺激调整不一致且效率低下，以及患者多次或不必要的就诊。本中心利用图像重建技术重建核和电极，并以此指导编程，取得了满意的效果。
人工智能在核心脏病学中的应用
人工智能 (AI) 是一个快速发展的领域，它指的是任何执行通常属于人类智能的任务的计算机算法。1 这些算法可能应用于核心脏病学的许多方面，包括通过临床报告进行图像重建。特别是，与典型的心肌灌注扫描相关的大量临床、压力和成像信息非常适合 AI 方法，这些方法可以客观地整合这些数据以改善疾病诊断和风险预测。尽管 AI 应用最初对许多临床医生来说可能令人生畏，但了解关键术语和流程可以大大提高对这些算法的理解和潜在的临床影响。在对关键术语的回顾的启发下，本文将回顾最近的 AI 图像重建方法，这些方法可用于提高图像质量或减少辐射暴露以及自动图像配准的方法。接下来，我们将总结 AI 驱动的心肌灌注图像衰减校正 (AC) 以及从 AC 成像中自动分割冠状动脉钙化 (CAC)。我们还将讨论利用
parimala kancharla-教师 - iit mandi
⋄F。K. Joseph，A。Arora，P。Kancharla，M。K. A. Singh，W。Steenbergen，S。S. S. S. Channappayya，“基于生成的对抗网络基于光的光声图像重建，从频道和限量视图数据中。”SPIE光子加超声：成像和传感2021
用D-Wave Quantum退火器训练受限制的Boltzmann机器
限制的玻尔兹曼机器（RBM）是一种基于能量的，无方向的图形模型。它通常用于无监督和监督的机器学习。通常，RBM是使用对比差异（CD）训练的。但是，使用CD的训练很慢，无法估计对数可能成本函数的确切梯度。在这项工作中，使用量子退火器（D-Wave 2000q）计算了对RBM梯度学习的模型期望，在CD中，获得样品的速度比Markov Chain Monte Carlo（MCMC）快。使用量子退火训练的RBM的训练和分类结果与基于CD的方法进行了比较。相对于分类精度，图像重建和对数可能的结果，将两种方法的性能进行比较。分类精度结果表明两种方法的性能可比性。图像重建和对数可能性结果表明，基于CD的方法的性能提高了。表明，从量子退火器获得的样品可用于在64位“条形和条纹”数据集上训练RBM，其分类性能类似于经过CD培训的RBM。尽管基于CD的培训表现出改进的学习成绩，但是使用量子退火器的训练可能会有用，因为它消除了CD的计算昂贵的MCMC步骤。
定量MRI：基本原理，优化，质量...
本课程针对医学物理学家，他们寻求从信号生成到图像重建的MR成像基本原理的一般概述，并特别关注优化和定量技术。将介绍硬件和软件中的技术进步，包括用于临床常规和工件管理中的高级MR序列。将强调标准化在临床定量MRI中的重要性，并将重点放在质量保证和多中心比较上，包括安全方面。
通过RICEAN分布拟合
对位置敏感的SIPM在所有光检测应用中都有用，需要少量读出通道，同时保留有关传入光的相互作用位置的信息。专注于2x2阵列的LG-SIPM，覆盖15的面积。5×15。 5 mm只有6个读数，我们提出了一种定量方法来评估图像重建性能。 该方法基于一种统计方法，以评估设备的精度（空间分辨率）和重建重点重心的精度（线性）。 通过大米概率分布函数拟合来实现此评估。 我们获得了平均传感器空间分辨率的最佳值81±3 µm（标准偏差），这是通过以通道输出信号的幅度重建每个位置来实现的。 相应的精度为231±4 µm。5×15。5 mm只有6个读数，我们提出了一种定量方法来评估图像重建性能。该方法基于一种统计方法，以评估设备的精度（空间分辨率）和重建重点重心的精度（线性）。通过大米概率分布函数拟合来实现此评估。我们获得了平均传感器空间分辨率的最佳值81±3 µm（标准偏差），这是通过以通道输出信号的幅度重建每个位置来实现的。相应的精度为231±4 µm。
端到端学习皮质神经假体视觉的安全刺激参数
通过皮质视觉神经植物对大脑的直接电刺激是一种有前途的方法，可以通过诱导对局部光（称为“磷烯”的局部光）感知来恢复视力障碍的基本视力。除了将复杂的感官信息凝结成低时空和空间分辨率下的有意义的刺激模式外，为大脑提供安全的刺激水平至关重要。我们提出了一个端到端框架，以学习安全生物学约束中最佳刺激参数（振幅，脉冲宽度和频率）。学习的刺激参数将传递给生物学上合理的磷酸模拟器，该模拟器考虑了感知到的磷光的大小，亮度和时间动力学。我们对自然导航视频的实验表明，将刺激参数限制为安全水平不仅可以维持磷光元素的图像重建中的任务性能，而且始终导致更有意义的磷光视觉，同时提供了对最佳刺激参数范围的见解。我们的研究提出了一种刺激生成的编码器，该编码器学习刺激参数（1）满足安全性约束，（2）使用高度实现的磷光模拟器来最大化图像重建和磷光解释性的合并目标，以计算刺激的时间动力学。端到端学习刺激参数以这种方式实现了关键的生物安全限制以及手头硬件的技术限制。
医疗保健行业如何利用人工智能
人工智能与医疗，完美结合 诊断和扫描已经取得了早期的成功，两个案例研究表明。在美国西达斯西奈医院，研究人员开发了一种系统，可以通过 CT 扫描识别胰腺癌的早期迹象，准确率高达 86%，比医生早三年。5 德国医疗设备公司西门子医疗公司利用人工智能图像重建技术将完成脑部扫描所需的时间缩短了 70%。6