XiaoMi-AI文件搜索系统
World File Search System影像学
VAIDIO — AI影像辨识入侵侦测系统
本产品具有以人工智慧与深度学习技术作为基础的AI引擎，可以针对影像串流中的目标物件作进㇐步的种类辨识。例如将「人」作为目标辨识物件， AI引擎便会排除因为其他不相关物体(动物、塑胶袋、黄昏/黎明的光影移动)进入目标侦测区域(ROI, Region of Interest)所产生的误报，大幅提升入侵侦测的准确率。
第 14 章：正射影像学 - GIS 实验室
如今，地理空间测绘产品的许多用途都需要当前的平面特征数据。地理空间数据集的分析和设计通常需要已知特征的位置精度。数据集中平面特征的收集和更新成本可能很高。许多最终用户也不习惯查看和分析基于矢量的测绘数据集。他们更喜欢将平面特征视为照片图像。例如，密苏里州圣路易斯的拱门国家纪念碑在矢量地图上将被简单地绘制为与密西西比河平行的长条形矢量形状。正射影像图将拱门显示为易于识别的独特图像特征。收集和更新平面特征的成本可能很高。有时可以通过制作始终具有空间精度的照片数字地图集来最大限度地降低成本。许多 GIS 数据集利用基于照片的图像数据来实现这些目的。互联网提供了正射影像教程，可以帮助对该主题的基础研究感兴趣的管理人员。有兴趣的可以参考以下网站：
神经影像学-催产素对社会奖励的调节-...
催产素是一种神经肽，可调节社会联系并改善多个领域的社会认知。3 在健康参与者中，催产素的使用已被证明可以调节涉及以下区域的扩展网络的活动：心理化，例如内侧前额叶皮质、颞顶交界处、中颞叶皮质和上颞叶皮质；奖赏处理，例如背侧和腹侧纹状体；以及情绪处理，例如杏仁核和岛叶。4 催产素已被研究作为精神分裂症的潜在亲社会干预措施。迄今为止，临床研究的结果好坏参半，因为两项荟萃分析并未报告安慰剂和催产素在减轻阳性和阴性症状方面有任何差异。5 但请注意，Oya 等人 5 报告了阳性和阴性症状量表（但不是总体 PANSS）的一般维度的改善，这表明催产素可以影响症状的某些维度。这些混合的发现凸显了荟萃分析方法在比较不同临床人群的试验时所面临的挑战，以及理解和评估“社会认知”的方式的广度。6 Green 等人 7 注意到，关于非社会认知和社会认知以及潜在基质的神经影像学的文献越来越多，以及掩盖更简单的功能解释的问题的复杂性：从疾病异质性到
免疫治疗后影像学检查评估肿瘤反应
近年来，已开发出各种系统性免疫疗法用于癌症治疗，例如针对免疫检查点的单克隆抗体 (mAB)（免疫检查点抑制剂，ICI）、溶瘤病毒、细胞因子、癌症疫苗和过继细胞转移。尽管估计有 38.5% 的转移性实体瘤或血液肿瘤患者可以使用 ICI，但 ICI 尤其能在许多肿瘤疾病（例如黑色素瘤、肺癌、膀胱癌、肾癌、头颈癌）中表现出持久的疾病控制效果，并且具有总体生存优势。由于免疫疗法基于 T 细胞活化的独特作用机制，其反应具有不同的模式，例如治疗反应之前的进展（假进展）、过度进展和治疗后的分离反应。由于这些特征在肿瘤学疗效评估标准《实体肿瘤疗效评价标准》1.1版（RECIST 1.1）中没有出现，因此为免疫疗法制定了新的标准。这些新的形态学标准中最重要的变化是，首先，在出现进展的情况下需要进行确认性影像学检查，其次，出现新病变不一定被视为进展性疾病。到目前为止，已经开发了五种形态学标准（免疫相关疗效标准（irRC）、免疫相关 RECIST（irRECIST）、免疫 RECIST（iRECIST）、免疫修改 RECIST（imRECIST）和肿瘤内 RECIST（itRECIST））标准，以准确评估靶病变大小的变化，同时考虑到免疫治疗后的具体反应模式。除了形态学反应标准外，2-脱氧-2-[ 18 F] 氟-D-葡萄糖正电子发射断层扫描/计算机断层扫描 ( 18 F-FDG-PET/CT) 也是评估代谢反应的一个有前途的选择，并且使用了四个代谢标准（免疫检查点抑制剂治疗反应的早期预测 PET/CT 标准 (PECRIT)、免疫治疗的 PET 反应评估标准 (PERCIMT)、实体肿瘤的免疫治疗修改的 PET 反应标准 (imPERCIST5) 和免疫 PERCIST (iPERCIST))。此外，有证据表明，18 F-FDG-PET/CT 上的参数，例如标准化摄取值 (SUV)max 和几种放射性示踪剂（例如针对 PD-L1 的放射性示踪剂），可能是反应的潜在成像生物标志物。此外，人类肿瘤内免疫治疗（HIT-IT）的出现，其特点是将免疫刺激剂直接注射到肿瘤病变中，这赋予了
深部脑刺激的神经影像学进展
摘要：深部脑刺激是多种脑部疾病的成熟疗法，其潜在适应症正在迅速扩大。神经影像学通过改进解剖结构描绘以及最近脑连接组学的应用，推动了深部脑刺激领域的发展。这些疾病的旧有病变定位理论已经发展为较新的基于网络的“回路病”，通过使用先进的神经影像学技术（如扩散纤维束成像和 fMRI），可以直接评估体内这些脑回路。在这篇综述中，我们结合使用超高场 MR 成像和扩散纤维束成像来强调目前美国批准的深部脑刺激适应症的相关解剖结构：特发性震颤、帕金森病、耐药性癫痫、肌张力障碍和强迫症。我们还回顾了有关使用 fMRI 和扩散纤维束成像来了解深部脑刺激在这些疾病中的作用，以及它们在手术定位和设备编程中的潜在用途的文献。
神经影像学研究博士后助理职位
资格要求：申请人必须近期获得电气和计算机工程、生物医学成像、医学物理学或相关学科的博士学位，并具有以第一作者同行评审出版物为证明的先前研究经验。强大的组织能力、高度的独立性和主动性、出色的沟通能力、出色的计算机熟练程度以及与其他小组成员和合作者有效合作的能力是必不可少的。图像处理经验（例如 MATLAB、python 和图像分析软件包）是必不可少的。理想的候选人应积极性高、可靠，并且在独立工作或合作工作时同样高效。
老年心理健康研究的神经影像学研究
霍华德·J·艾森斯坦（Howard J.1995年，Aizenstein博士毕业于Urbana-Champaign的伊利诺伊大学，获得了MD和计算机科学博士学位（计算学习理论）。 他完成了一般性和成人精神病学的居住（1999年），老年精神病学研究金（2000），以及功能性神经影像学研究奖学金（2001），均在匹兹堡大学，西方精神病学研究所和临床上。 他于2001年加入了匹兹堡大学的教师，目前是精神病学副教授，在生物工程系进行了次要任命。 Aizenstein博士是认知神经科学领域的75篇文章和书籍章节的作者或合着者。 他的研究计划使用不同的融合方法，传统的计算机任务以及结构和功能磁共振成像，以识别影响老年人的记忆，注意力和学习的关键大脑结构，以及在抑郁症治疗过程中它们如何改变。 他的研究由美国国家心理健康研究所（NIMH）和国家老龄研究所资助。1995年，Aizenstein博士毕业于Urbana-Champaign的伊利诺伊大学，获得了MD和计算机科学博士学位（计算学习理论）。他完成了一般性和成人精神病学的居住（1999年），老年精神病学研究金（2000），以及功能性神经影像学研究奖学金（2001），均在匹兹堡大学，西方精神病学研究所和临床上。他于2001年加入了匹兹堡大学的教师，目前是精神病学副教授，在生物工程系进行了次要任命。Aizenstein博士是认知神经科学领域的75篇文章和书籍章节的作者或合着者。他的研究计划使用不同的融合方法，传统的计算机任务以及结构和功能磁共振成像，以识别影响老年人的记忆，注意力和学习的关键大脑结构，以及在抑郁症治疗过程中它们如何改变。他的研究由美国国家心理健康研究所（NIMH）和国家老龄研究所资助。
个性化的，同类的精神神经影像学设计...
精神神经影像学面临严格性和可重复性的挑战，这些挑战促使重新考虑研究设计的相对优势和局限性。由于资源的高需求和不同的推论目标，当前的设计差异强调了样本量，测量广度和纵向评估。在这个概述和观点中，我们为科学目标和资源限制的这种平衡提供了当前精神神经影像学研究设计的指南。通过启发式数据立方体对比关键设计特征，我们讨论了小样本，精确纵向研究（例如个性化研究和同伙）和大型样本，最小纵向，人口研究的折衷。精确研究通过干预和跟踪纵向过程来支持人体内机制的测试。人群研究支持跨多方面个体差异的概括测试。提出的相互验证模型（RVM）旨在递归地以顺序利用这些互补设计，以积累证据，优化相对强度并朝着改善长期临床效用而建立。
神经影像学中的人工智能：临床应用
随着深度学习 (DL) 的出现，人工智能 (AI) 正在迅速改变人类的生活，更不用说神经放射科医生的生活了。在过去的几年中，DL 已经应用于神经影像学前沿的许多研究。它已显示出改变放射学各个角落实践的潜力。通过减少检测脑转移瘤 (BM) (1, 2) 的繁琐工作以及预测胶质母细胞瘤的基因突变和患者生存率 (3, 4) 以改善受运动伪影 (5) 阻碍的图像质量，AI 现已准备好充分发挥其能力。在这篇综述中，我们将重点介绍 AI 在神经影像学中的四大类临床应用：1) 检测/诊断，2) 预测，3) 图像质量改进，和 4) 临床工作流程改进。
神经影像学的技术、优势和局限性
© 作者 2024。开放存取 本文根据知识共享署名 4.0 国际许可证进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可证的链接，并指明是否做了更改。本文中的图像或其他第三方资料包含在文章的知识共享许可证中，除非资料的致谢中另有说明。如果资料未包含在文章的知识共享许可证中，并且您的预期用途不被法定规定允许或超出了允许的用途，您将需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 https://creativecommons.org/licenses/by/4.0/。