XiaoMi-AI文件搜索系统
World File Search System图像重建
脑成像中的生成对抗网络
摘要：人工智能 (AI) 有望对放射学产生重大影响，因为它在许多临床任务中取得了显著进展，主要是关于疾病的检测、分割、分类、监测和预测。生成对抗网络被认为是深度学习在放射学中最令人兴奋的应用之一。GAN 是一种新的深度学习方法，它利用对抗性学习来解决各种计算机视觉挑战。脑放射学是 GAN 最早应用的领域之一。事实上，在神经放射学中，GAN 开辟了未开发的场景，允许新的过程，例如图像到图像和跨模态合成、图像重建、图像分割、图像合成、数据增强、疾病进展模型和脑解码。在这篇叙述性评论中，我们将介绍脑成像中的 GAN，讨论 GAN 的临床潜力、未来的临床应用以及放射科医生应该注意的陷阱。
9的立体视觉和结构
上一章在场景中的一个点P的位置（在世界框架坐标p w）与像素坐标中的相应点P之间建立了数学关系，该点坐标被投影到相机的图像平面上。这种关系是基于针孔摄像机模型得出的，并且需要有关相机内在和外在参数的知识。尽管如此，即使在所有这些相机参数都知道的情况下，仍然不可能用单个图像重建P的深度（没有其他信息）。但是，在机器人技术的背景下，通过计算机视觉进行有关机器人环境结构的3 d信息通常是一项非常重要的任务（例如，避免障碍物）。因此，本章介绍了使用相机收集3 D信息的两种方法，即Motion 1，2的立体视觉和结构。1 R. Siegwart，I。R。Nourbakhsh和D. Scaramuzza。自动移动机器人简介。麻省理工学院出版社，2011
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
弥合差距：从神经解剖学知识到脑通路纤维束成像
尽管纤维束成像技术最近取得了进展，但文献中对白质通路的描述与从 dMRI 图像重建和研究白质通路的方法之间仍然存在很大差距。在这里，我们通过提出一种定义白质束的语言（即 WMQL T）和一种根据 WMQL T 查询自动重建通路的工具来应对这一挑战。我们的方法性能高，足够灵活，可以使用多种模态定义束，并允许扩展基于 ROI 的重建方法。利用我们的语言，我们定义了 19 个主要脑束及其细分，并在大量人群中重建它们。我们表明，重建通路的形状及其连接性和侧化与当前的神经解剖学文献一致。最后，我们在两种情况下展示了我们的技术：计算束的功能细分，以及评估惯用手和性别在语言相关束侧化中的作用。
医学成像人工智能的特点和趋势
人工智能或深度学习技术在解决医学成像任务方面已越来越普遍。在本次演讲中，我们首先回顾医学图像的特征，例如多模态、异构和孤立数据、稀疏和嘈杂的标签、不平衡的样本。然后，我们指出从“小任务，大数据”到“大任务，小数据”范式转变的必要性。最后，我们说明了人工智能技术在医学成像中的趋势，并提出了多种试图解决“大任务，小数据”各个方面的算法：• 注释高效的方法，无需大量标记实例即可处理医学图像分析，包括一次性或无标签推理方法。• 通用模型，学习多领域任务的“通用 + 特定”特征表示，以释放“池化大数据”的潜力，这些数据是通过将与感兴趣的任务相关的多个数据集集成到一个用途中而形成的。 • “深度学习+知识建模”方法，将机器学习与领域知识相结合，使医学图像重建、识别、分割和解析等许多任务能够达到最先进的性能。
使用便携式低场 MRI 进行脑成像
便携式低场磁共振成像 (LF-MRI) 的出现预示着神经成像的新机遇。低功耗要求和便携性使得扫描可以在传统磁共振成像套件的受控环境之外进行，从而增强了对现有技术不太适合的适应症的神经成像的访问。最大限度地利用从 LF-MRI 降低的信噪比中提取的信息对于开发临床有用的诊断图像至关重要。电磁噪声消除和稀疏 k 空间数据的机器学习重建算法的进展以及新的图像增强方法现已促成这些进步。将技术创新与床边成像相结合，为可视化健康大脑和检测急性和慢性病理变化创造了新的前景。硬件的持续开发、脉冲序列和图像重建的改进以及临床实用性的验证将继续加速这一领域的发展。随着进一步的创新，便携式 LF-MRI 将促进 MRI 的民主化并创造传统系统以前无法实现的新应用。
放射学人工智能面临的巨大挑战
几十年来，快速、高质量的放射图像采集一直是一项重大挑战，而且仍然是一项巨大的挑战。如何加快 MRI 和 CT 扫描等图像数据采集速度一直是人们关注的焦点，以提高效率和患者安全等。为此，已开发并报告了许多用于快速、高质量放射图像重建的 AI 技术（2），在某些情况下，静脉造影剂的剂量大大减少，辐射剂量也更低。可以预见，这些新的图像数据采集技术将继续得到开发，以造福患者、放射科医生和放射临床流程。此外，人工智能可以在整合和优化放射数据采集工作流程中发挥重要作用，例如，最近一个成功的例子是 COVID-19 大流行期间的非接触式患者定位系统 ( 3 )，该系统自动校准、定位和多视图合成组件，无需身体接近即可对患者进行扫描。本期刊的放射学人工智能专业将鼓励和欢迎解决人工智能赋能的图像数据采集各个方面的投稿。
大脑成像具有便携式低场MRI
便携式低场MRI（LF-MRI）的出现，预示着神经影像学的新机会。低功率要求和可运输能力已使传统MRI套件的受控环境之外进行扫描，从而增强了对不适合现有技术的指示的神经影像的访问。最大化从LF-MRI的信噪比降低的信息中提取的信息对于开发临床上有用的诊断图像至关重要。电磁噪声消除和机器学习重建算法的进展来自稀疏K空间数据以及图像增强的新方法，现在已经实现了这些进步。耦合技术创新与床边成像为可视化健康的大脑并检测急性和慢性病理变化时创造了新的前景。正在进行的硬件的开发，脉冲序列和图像重建的改进以及临床实用程序的验证将继续加速该领域。随着进一步的创新发生，便携式LF-MRI将促进MRI的民主化，并创建以前不可能使用常规系统可行的新应用。
重新思考加速 MRI 的深度展开模型......
摘要。磁共振成像 (MRI) 是一种广泛用于临床诊断和外科手术计划的成像方式。加速 MRI 试图通过减少图像重建所需的原始 k 空间数据量来减轻长扫描时间的固有限制。最近，深度展开模型 (DUM) 通过使用深度神经网络截断和展开传统的迭代重建算法，已证明对 MRI 重建具有显着的有效性和更高的可解释性。然而，DUM 在 MRI 重建中的潜力尚未得到充分利用。在本文中，我们首先增强了 DUM 迭代阶段内和迭代阶段之间的梯度和信息流，然后我们强调了使用各种相邻信息进行准确且内存高效的敏感度图估计和改进多线圈 MRI 重建的重要性。在几个公共 MRI 重建数据集上进行的大量实验表明，我们的方法大大优于现有的 MRI 重建方法。代码可以在https://github.com/hellopipu/PromptMR-plus上找到。
在CT检查儿童和年轻人的辐射暴露后的脑癌：Epi-CT队列研究的结果
方法，我们从九个欧洲国家组合了这项研究研究的数据。符合条件的参与者在1977年至2014年之间有22岁之前至少进行了一次CT检查，以前没有诊断出癌症或良性脑肿瘤，并且在第一次CT之后至少在5年后还活着且无癌。通过276家医院的放射学信息系统确定参与者。参与者与癌症和生命状况的国家或区域登记处有关，符合条件的病例是根据谁的国际肿瘤疾病分类的脑癌患者。神经胶质瘤分别分析到所有脑癌。使用历史机器设置和大量CT图像重建器官剂量。通过线性剂量反应建模计算每100 mGY累积脑剂量的脑癌的过量相对风险（错误）。结果是在第一次以电子记录的CT检查后5年的排除期之后，首次报道了脑癌的诊断。