XiaoMi-AI文件搜索系统
World File Search System对比度
使用超低能扫描电子显微镜对半导体结构进行电阻率对比成像
在广泛的一次电子束能量范围内研究了扫描电子显微镜 (SEM) 中的损伤诱导电压变化 (DIVA) 对比度机理，特别强调了超低能量范围。在 10 keV 至 10 eV 的一次电子能量范围内，对用 600 keV He 2 + 离子辐照的 In (0.55) Al (0.45 )P 中的电阻率变化相关的 SEM 成像对比度进行了分析。首次解决了超低能量范围内的样品充电问题及其对 SEM 图像对比度的影响。与基于经典总发射率方法的预期相反，在辐照区域高电阻部分形成的电位导致低于 E 1 能量的一次电子记录信号强度急剧增加，这可以解释为由于样品表面电位充当了一次电子的排斥器而导致的信号饱和。尽管如此，展示电子束能量对电子辐照下绝缘材料表面电位形成影响的实验数据还是首次在超低能范围内给出。
深度学习用MRI
需要MRI对比剂（例如基于Gadolinium）的MRI对比剂来增强1的检测结构和功能性脑损伤，但其安全性超过了2个。在这里，我们假设使用定量3稳态对比度增强的MRI数据集对小鼠和人类进行训练的深度学习模型可以从单个非对比度MRI扫描中产生4个对比度等效信息。该模型在小鼠中进行了5个训练，优化和验证。然后将其转移并适应6个人类数据，我们发现它可以用基于do的对比剂代替7种检测由衰老，精神分裂症或阿尔茨海默氏病引起的功能性病变，而8个检测功能性病变，以及8个检测功能性病变，以增强由大脑或乳腺肿瘤引起的结构性病变。自从9个普遍获得的MRI衍生而来，该框架具有广泛的临床实用性的潜力，并且可以追溯地应用10个框架来研究许多疾病。11
光声造影剂在体内治疗方面的最新进展......
光声成像 (PAI) 是一种非侵入性混合成像方式，可提供丰富的光学对比度和高深度分辨率比的深层组织成像。体内存在的内源性发色团（如血红蛋白、脂质、黑色素等）由于在某些光学窗口具有强光吸收性而提供强大的光声对比度。为了进一步提高 PAI 的性能，研究人员开发了几种外源性造影剂，如金属纳米粒子、碳基纳米材料、量子点、有机小分子、半导体聚合物纳米粒子等。这些外源性造影剂不仅有助于提高成像对比度，而且还使靶向分子成像成为可能。在这篇评论文章中，我们首先讨论了具有内源性造影机制的最先进的 PAI 技术。然后，我们概述了用于体内成像应用的外源性光声造影剂的最新进展。最后，我们介绍了现有 PA 造影剂的优缺点以及基于造影剂的 PAI 在生物医学应用中的未来挑战。
通过电致发光
在此，提出了一种通过电发光（EL）用于硅太阳能电池进行晚期串联抗性成像的方法。Haunschild等人的著名方法。被重新审视。由于较大的少数荷载载流子扩散长度和更薄的太阳能电池，因此显示扩散长度和EL信号之间线性关系的富崎假设不适用于硅设备。在这里使用Breitenstein得出的一种新关系。与Haunschild的原始方法相比，基于两个EL图像的串联电阻和饱和电流成像的更新方法表明，对比度的分离远远超过60％。使用高级方法，用于样品单元上突出特征的高级方法，由电阻图像中重组引起的不需要信号的对比度从0.89降低到0.44。由于电阻引起的对比度保持在同一水平。深色饱和电流密度图像在重组活动区域显示出20％的峰值，低5％。
从减少剂量到最大化对比度：深度学习能否放大造影剂对脑部 MRI 图像质量的影响？一项读者研究
材料和方法 这项回顾性单中心研究考虑纳入 2019 年 11 月至 2021 年 3 月在 Gustave Roussy 癌症园区（法国维尔瑞夫）获取的共 250 张多参数脑 MRI。定义了独立的训练（107 例，年龄 55 岁±14 岁，58 名女性）和测试（79 例，年龄 59 岁±14 岁，41 名女性）样本。患者患有神经胶质瘤、脑转移、脑膜瘤或无增强病变。在所有病例中均获取了具有可变翻转角的梯度回波和涡轮自旋回波对比后 T1 序列。对于形成训练样本的病例，还获取了使用 0.025 mmol/kg 造影剂注射的“低剂量”对比后梯度回波 T1 图像。以标准剂量 T1 MRI 为参考，训练了一个深度神经网络来合成增强低剂量 T1 采集。训练完成后，对比增强网络用于处理测试梯度回波 T1 图像。然后由两名经验丰富的神经放射科医生进行读片，以评估原始和处理后的 T1 MRI 序列的对比增强和病变检测性能，以快速自旋回波序列为参考。结果对于增强病变的病例，处理后图像的对比噪声比（44.5 比 9.1 和 16.8，p<.001）、病变与脑组织比（1.66 比 1.31 和 1.44，p<.001）和对比增强百分比（112.4% 比 85.6% 和 92.2%，p<.001）均优于原始梯度回波和参考快速自旋回波 T1 序列。两位读者都更喜欢处理后的 T1 的整体图像质量（平均评分为 3.4/4 比 2.7/4，p<.001）。最后，对于大于 10 毫米的病变，所提出的处理方法将梯度回波 T1 MRI 的平均灵敏度从 88% 提高到 96%（p=.008*），而误检率则没有差异（两种情况下均为 0.02/例，p>.99）。考虑所有大于 5 毫米的病变时观察到了相同的效果：灵敏度从 70% 提高到 85%（p<.001*），而误检率保持相似（0.04/例 vs 0.06/例，p=.48）。如果包括所有病变，无论其大小如何，原始和处理后的 T1 图像的灵敏度分别为 59% 和 75%（p<.001*），相应的误检率为 0.05/例和 0.14/例（p=.06）。
非侵入性多模式CT深度学习生物标志物预测新辅助免疫化学治疗后非小细胞肺癌的病理完全反应：一项多中心研究
抽象目标尽管新辅助免疫化学疗法已被广泛应用于非小细胞肺癌（NSCLC），但预测治疗反应仍然是一个挑战。我们使用预处理多模式CT来探索基于深度学习的免疫化学疗法反应图像生物标志物。方法这项研究回顾性地获得了非对比度增强和对比度增强的NSCLC患者的CT扫描，他们在2019年8月至2023年2月之间在多个中心接受了新辅助免疫化学疗法后接受了手术。深度学习特征是从非对比度增强和对比度增强的CT扫描中提取的，分别构建了预测模型（Lunai-uct Model和Lunai-Ect模型）。在这两种特征的特征融合后，构建了融合模型（Lunai-FCT模型）。使用接收器操作特征曲线（AUC），准确性，灵敏度，特异性，正预测值和负预测值下的区域评估模型的性能。Shapley添加说明分析用于量化CT成像特征对模型预测的影响。为了了解我们的模型如何做出预测，我们采用了梯度加权的类激活映射来产生显着热图。结果培训和验证数据集包括在8：2的中心A的113名患者，测试数据集包括112名患者（中心B n = 73，中心C n = 20，中心D n = 19）。在测试数据集，Lunai-uct，Lunai-ect和Lunai-FCT模型中的AUCS为0.762（95％CI 0.654至0.791），0.797（95％CI 0.724至0.844），和0.866（95％CI 0.866）（95％CI 0.821至0.821至0.821至0.8883）。结论通过从增强对比和非对比度增强的CT中提取深度学习特征，我们构建了Lunai-FCT模型作为成像生物标志物，该标志物可以非侵入性地预测NSCLC新辅助免疫化学治疗中的病理完全反应。
驾驶员对仪表板照明水平的偏好
本报告确定了驾驶员对仪表盘亮度/对比度水平的偏好。共有 30 名驾驶员（10 名年轻美国人、10 名老年美国人和 10 名日本人）参与。在密歇根州安娜堡 17 英里路线的 9 个地点获得了判断（最小、首选、最大和耀眼）。每位驾驶员都针对 5 种测试条件（白天 - 电子除尘器，带和不带太阳镜；夜间 - 电子、绿色模拟和白色模拟集群）提供了判断。对比度方差分析 (ANOVA) 显示，夜间 3 个集群之间存在显著差异（电子=l78:1、绿色=82:l 和白色=51:l）。t 检验显示带太阳镜（14:l）和不带太阳镜（1 1:1）的电子面板之间存在显著差异。对于 5 种情况（戴太阳镜、不戴太阳镜、电子、绿色和白色），首选比率分别为 14:1、11:1、186:1、77:1 和 441。正如预期的那样，从低到高的对比度判断顺序为最小（30:1）、首选（67:1）、最大（84:1）和耀眼（88:1）。但是，最大和耀眼的判断并没有显著差异。这是集群有限亮度范围的函数，因为 30% 的时间最高设置不足以达到最大判断，67/0 的时间它不足以达到耀眼。因此，这两个判断的对比度被低估了。年轻人（64:1）和老年人（70:1）美国人之间存在差异，但美国男性和女性或美国和日本司机之间没有差异。为对比而开发的预测方程至少解释了首选、最大和令人眼花缭乱的判断的 84% 的变异性。
NASEC 2024小册子
Supernova Remnant Cassiopeia A表现出严重的不对称性，主要是两个大型喷气结构，它们沿相反方向延伸到标称的正向冲击。这些喷气机已通过高度不对称的超新星爆炸来解释。我们使用超新星残留物的三维流体动力模拟来探讨这样的假设，即这种结构可能是由球形超新星与非对称室内媒体（CSM）的相互作用引起的。我们强加了一个轴对称的CSM，其密度区域附近赤道平面和较低密度区域附近的轴对称CSM，这是从恒星和行星星云的观察结果以及近距离二进制系统中风的建模所推断的。我们发现，如果对称轴和一个大约10度离轴的角度之间的CSM对比度的密度对比度超过了临界值，则射流形成是这些模型的强大特征。这些喷气机的长度可以超过CSM密度对比度向前冲击的标称半径的三倍以上，低至3.00。这些喷气机有时会倒塌，跌落到一侧，但迅速再生。将这些模型扩展到较高的数值分辨率会产生相似的演化，但在后期导致更大的喷气机。