XiaoMi-AI文件搜索系统
World File Search System扫描时间
深度学习和AI减少磁共振成像扫描时间：临床实践中的优势和陷阱
通过仅获取完整傅立叶重建所需的数据的一小部分来减少扫描时间[8]。副层成像（PI）技术，例如感官（敏感性编码）和grappa（广义自动校准的部分并行获取），使用伪造的阵列线圈同时捕获图像的不同部分，从而减少采集时间[5,6]。最近引入了压缩传感（CS）技术，通过利用图像在某个变换域中的稀疏性来重建图像（例如小波do-主）。它大大减少了所需的数据量，从而缩短了扫描时间[7]。最近，基于人工智能（AI）的算法，尤其是深度学习模型，正在使用明显较少的数据点重建高质量的图像。这些算法可以预测丢失的信息，从而减少了广泛的数据采集的需求。在这种情况下，包括GE Healthcare，Siemens Healthineers和Philips在内的不同供应商开发了基于AI的MRI加速技术[9]。这些先进的软件技术的开发显着提高了MRI扫描的效率，因此可以在先前所需的时间内获得高质量的IMPIMES。这些技术继续发展，这是由于持续的重新搜索以及AI和机器学习纳入医学成像的不断增加的驱动。通过减少扫描时间，这些创新改善了患者的体验，增加扫描仪的利用率并可能缩短等待列表。另外，深度学习重新构成 -减少MRI扫描可为患者和医疗保健提供者提供几个优势。最直观的优势之一是改善患者的舒适感。更快的扫描意味着患者在MRI机器上花费的时间更少，这可以减轻恐惧症的焦虑和不适，特别是对于幽闭恐惧症患者而言。减少扫描时间也降低了患者运动的可能性，这可能会降低图像质量并需要撤离，这使得MRI对于那些长期存在的困难的人（例如儿童，长老和患有特定的医疗状况）更可行。可行，在临床实践中，对镇静检查的需求可能会减少。另一个关键点是增加的可访问性，更快的约会可以导致更多可用的插槽，从而减少需要紧急诊断的患者的等待时间。此外，较短的扫描时间允许扫描更多的患者，从而改善了MRI吞吐量，随后提供了更好的资源管理，从而有可能减少对额外的MRI机器和相关成本的需求。这些改进会导致成本效益：降低运营成本，因为较短的扫描降低了功耗，可能降低运营成本和促进成本。另一方面，可以使用深度学习（DL）和AI技术来通过降低运动伪像的风险来提高图像质量，从而导致图像更清晰和更准确的诊断。
在几分钟的扫描时间
许多最近的研究调查了用于预测fMRI个人行为的机器学习技术。尽管获得了令人鼓舞的结果，但过度的扫描时间（尤其是在静止状态fMRI）是一个限制因素。在这里，我们提出了一种新的机器学习算法，用于使用静止状态（RSFMRI）以及基于任务的fMRI（TFMRI）来预测健康人类受试者的个体行为。它通过集成学习和部分最小二乘回归而不是通过脑部拟合或ICA分解来降低维度。此外，它还引入了ricci-eman曲率作为一种新型的边缘重量。作为概念证明，我们专注于预测流体，结晶和一般智力得分。在人类连接项目的390个无关测试对象的队列中，我们发现观察到的TFMRI中观察到的一般智能与预测的一般智能超过50％，约为59％（r2≈0。29）合并两个任务的结果时。我们将这些结果与现有方法的基准进行了比较，该方法在RSFMRI和TFMRI中都产生了低于50％的相关性。我们得出的结论是，通过应用于TFMRI的新型机器学习技术，可以在扫描时间的一部分中获得明显更好的预测准确性。
减少 MRI 扫描时间的 k 空间轨迹设计
1 KP Pruessmann 等人，“SENSE：快速 MRI 的灵敏度编码”，MRM，1999 年。2 Michael Lustig 等人，“稀疏 MRI：压缩感知在快速 MRI 成像中的应用”，MRM，2007 年。3 N. Chauffert 等人，“基于旅行商的可变密度抽样”，SampTA，2013 年。