XiaoMi-AI文件搜索系统
World File Search System图像重建
基于 CT-MRI 图像融合的颞下-中颅窝肿瘤计算机辅助导航管理
摘要 目的 CT 和 MRI 对术前准确评估肿瘤与重要血管、脑组织及颅颌面骨的三维空间位置关系至关重要，探讨基于 CT-MRI 图像融合在颞下窝及颅中窝沟通性肿瘤治疗中术前评估、虚拟手术规划及导航手术的应用价值。方法 回顾性研究 8 例颞下窝-颅中窝沟通性肿瘤患者，将平扫、增强 CT 和 MRI 影像数据导入工作站进行图像融合，依次进行三维图像重建、虚拟手术规划及术中导航。通过对 ICFCT 患者采用 CT-MRI 图像融合导航引导下进行活检或手术后的临床资料进行分析，评估治疗效果。结果 8例患者均获得了高质量的CT-MRI图像融合及三维重建，图像融合结合三维图像重建增强了ICFCT术前评估，并通过虚拟规划提高了手术效果。4例导航引导下穿刺活检均获得了明确的病理诊断。7例导航引导下手术除1例例外，其余患者均实现了肿瘤完整切除。1例复发性脑膜瘤患者术后出现脑脊液漏。结论 CT-MRI图像融合结合计算机辅助导航管理，优化了ICFCT穿刺活检和手术的准确性、安全性及手术效果。
将视觉脑表示从脑电图中通过知识蒸馏和潜在扩散模型
从人脑活动中解码的视觉表示已成为繁荣的研究领域，尤其是在大脑计算机界面的背景下。我们的研究提出了一种创新的方法，该方法采用知识蒸馏来培训EEG分类器并从ImageNet和Thicke-eeg 2数据集中重建图像，仅使用脑电图（EEG）数据集（EEG）数据，这些数据是来自参与者的数据，这些数据本身就查看了图像（即''大脑解码'）。我们分析了来自6位参与者的eeg录音，用于Imagenet数据集，为Things-EEG 2数据集进行了10个录音，这些数据集暴露于跨越独特语义类别的图像。这些脑电图读数被转换为频谱图，然后将其用于训练卷积神经网络（CNN），该卷积神经网络（CNN）与知识蒸馏程序集成了基于预先训练的对比语言图像 - 训练前训练（CLIP）基于基于图像的图像分类教师网络。这种策略使我们的模型可以达到87％的前5个精度，显着优于标准CNN和各种基于RNN的基准测试。此外，我们根据预训练的潜扩散模型合并了图像重建机制，这使我们能够生成引起脑电图活性的图像的估计。因此，我们的体系结构不仅解码了神经活动中的图像，而且还提供了仅从脑电图中重建的可信图像重建，为例如迅速，个性化的反馈实验铺平了道路。
幻觉索引：生成重建模型的图像质量指标
摘要。生成图像重建算法（例如调节条件扩散模型）在医学成像领域越来越流行。这些功能强大的模型可以将低信号比率（SNR）输入转换为具有高SNR的出现的输出。但是，输出可以具有一种称为幻觉的新类型错误。在医学成像中，这些幻觉对于放射科医生来说可能并不明显，但可能会导致诊断错误。通常，幻觉是指由机器学习模型引起的对象结构的估计错误，但是没有广泛接受的方法来评估幻觉幅度。在这项工作中，我们提出了一个新的图像质量指标，称为幻觉指数。我们的方法是计算从重建图像的分布到零幻觉参考分布的距离。为了评估我们的方法，我们对电子显微镜图像，模拟噪声测量和应用基于扩散的重现进行了数值实验。我们重复采样了测量和生成重建，以计算样品平均值和协方差。对于零幻觉参考，我们使用了应用于地面真理的正向扩散过程。我们的结果表明，较高的测量SNR导致相同的明显图像质量的幻觉指数降低。我们还评估了早期停止在反向扩散过程中的影响，并发现更适度的降解强度可以减少幻觉。我们认为，该指标对于评估生成图像重建或作为警告标签可能很有用，可以将医学图像中幻觉的程度告知放射科医生。
人工智能在核医学中的新兴作用
人工智能在医学各个分支领域的作用日益增强。人工智能应用在核医学中的作用日益突出，将在未来几年改善核医学临床工作流程。初步研究结果表明，人工智能在核医学工作流程中的作用日益增强，特别是在选择性自动化任务方面。人工智能辅助规划、剂量测定和程序执行似乎是快速和重大发展的领域。人工智能在更直接的成像相关任务中的作用，例如剂量优化、图像校正和图像重建，一直是核医学人工智能研究的重点。基于自然语言处理 (NLP) 的文本处理
EEG-IMAGENET
探索大脑活动如何转化为视觉感知，为生物视觉系统的世界代表提供了宝贵的视觉感。最近使用功能性磁共振成像（fMRI）或磁脑摄影（MEG）获得的大脑信号实现了有效的图像分类和高质量的重构。但是，这些技术的成本和批量妨碍了它们的实际应用。相比之下，电子摄影（EEG）提出了诸如易用性，可负担性，高时间分辨率和非侵入性操作等优点，但由于缺乏全面的数据集，在相关研究中仍未充分利用。为了填补这一空白，我们介绍了EEG-IMAGENET，这是一个新颖的EEG数据集，其中包含来自16名参与者的录音，这些录音是暴露于Imagenet数据集中的4000张图像。与现有基准相比，此数据集提供的五倍对脑电图对数的数量是五倍。eeg-imagenet包括带有不同水平的粒度标记的图像刺激，包含40张带有粗标签的图像和40个带有精美标签的图像。我们基于此数据集建立了对象分类和图像重建的基准。使用几种常用模型的实验表明，表现最佳的模型可以通过约60％的准确性实现对象分类，并具有三向识别的图像重建约为64％。这些发现突出了数据集增强基于EEG的Vi-Sual Brain-Computer界面的潜力，加深了我们对生物系统中视觉感知的理解，并提出了有望改善机器视觉模型的有希望的应用。
使用衍射型光学网络
定量相成像（QPI）是一种无标签的计算成像技术，用于各个领域，包括生物学和医学研究。现代QPI系统通常依靠使用迭代算法进行相位检索和图像重建的数字处理。在这里，我们报告了一个衍生光网络，该衍射光网训练，该网络训练了将随机扩散器后面的输入对象的相位信息转换为输出平面处的强度变化，从光学上执行相位恢复和对相位对象的定量成像，完全由未知的随机相位扩散器完全隐藏。此QPI衍射网络由连续的衍射层组成，轴向跨度延伸约70，其中照明波长；与现有的数字图像重建和相位检索方法不同，它形成了一个全光处理器，该处理器不需要超越照明光束的外部功率才能以光传播的速度完成其QPI重建。这个全光衍射的处理器可以通过随机的，未知的扩散器提供低功率，高框架速率和紧凑型替代方案，用于对相对的定量成像，并且可以在电磁频谱的不同部分进行生物医学成像和传感的各种应用。可以将所提供的QPI衍射设计集成到标准CCD/CMOS基于基于CMOS的图像传感器的活动区域，以将现有的光学显微镜转换为衍射QPI显微镜，在芯片上通过无线衍射层内的光衍射进行相位恢复和图像重建。
树皮衍生多酚在功能化
在光声断层扫描（PAT）的反问题中，通过一组测得的超声数据估算了光效应诱导的初始压力分布。在最近的十年中，已经提出了对PAT的各种深度学习方法的利用。但是，其中许多处理器都没有提供重建图像的不确定性的信息。在这项工作中，我们提出了一种基于贝叶斯反向问题的基于深度学习的方法，该方法基于变异自动编码器。使用数值模拟评估该方法，并与使用常规贝叶斯图像重建方法获得的后验分布进行了比较。该方法显示出可提供可靠性估计值的快速准确的重建。
GATE 用户指南 V8.0 - OpenGATE 协作
蒙特卡罗模拟是发射断层扫描中必不可少的工具，它有助于设计新的医学成像设备、评估图像重建算法和/或散射校正技术的新实现以及优化扫描协议。尽管已经为正电子发射断层扫描 (PET) 和单光子发射计算机断层扫描 (SPECT) 开发了专用的蒙特卡罗代码，但这些工具在验证、准确性和/或支持方面存在各种缺点和限制 (Buvat)。另一方面，已经为高能物理编写了准确且通用的模拟代码，例如 GEANT3 (G3)、EGS4、MCNP 和 GEANT4。它们都包括经过充分验证的物理模型、几何建模工具和高效的可视化实用程序。但是这些软件包非常复杂，需要陡峭的学习曲线。