XiaoMi-AI文件搜索系统
World File Search System扫描时间
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。
Agilent 8663A 合成信号发生器 100 kHz 至 2.56 ...
2 在远程模式下，可能存在间隔 3 MHz 的微处理器时钟相关杂散信号，其电平通常为 <-80 dBc。3 在 50 Hz 线路频率下，电力线或微音相关杂散信号可能高出 3 dB，并且出现在距载波高达 1 kHz 的偏移处。4 8663A 使用微处理器电平精度增强程序，在 +16 dBm 和 -119.9 dBm 之间的电平范围内实现 ±1 dB 绝对电平精度和平坦度。可以使用特殊功能禁用此增强功能。5 包括平坦度、衰减器误差、检测器误差和测量不确定度。6 在扫描模式下，正常的微处理器电平精度增强程序被禁用。可以使用特殊功能在扫描期间选择电平精度增强，但最小扫描时间通常限制为 10 毫秒/步。
使用时间改进的 3D-QALAS 中的 T1 和 T2 映射...
简介：T 2 和 T 1 估计可改善各种病理的特征描述，但较长的扫描时间阻碍了定量 MRI (qMRI) 的广泛应用，因此已经开发了序列以实现高效的 3D 采集。例如，3D-QALAS 1 利用交错的 Look-Locker 采集和 T 2 准备脉冲来对 T 1 和 T 2 进行全脑量化。但是，3D-QALAS 应用恒定翻转角并在 5 个时间点重建图像，这些时间点由于冗长的回波序列期间的信号演变而出现模糊。总结图 1，我们建议通过以下方式改进 3D-QALAS：(1) 结合基于子空间的重建来解决完整的时间动态以消除模糊 (2) 使用与自动微分兼容的模拟通过 Cramer-Rao 界限 (CRB) 优化采集翻转角，(3) 并减少每重复时间 (TR) 的总采集次数以缩短扫描时间。方法：子空间重建：传统 3D-QALAS 应用 T 2 准备和反转脉冲并测量 5 次采集，每次采集都利用 4 度翻转的回声序列。不是为 5 次采集中的每次采集重建一个体积，而是让 𝐸 成为 3D-QALAS TR 中 𝐴 采集之一中的回声数量（通常 𝐴= 5，𝐸= 120 →𝑇= 120 × 5 = 600 𝑒𝑐ℎ𝑜𝑒𝑠/𝑇𝑅 ），其中 𝑇 是回声总数。我们生成一个信号演化字典，用 SVD 计算低维线性基 Φ，从而产生一个易于处理的重建问题 𝑎𝑟𝑔𝑚𝑖𝑛 𝛼 ‖𝑦−𝐴Φ𝛼‖ + 𝑅(𝛼) ，其中 𝐴 表示傅里叶、线圈和采样算子以及 𝑅 正则化。通过使用 𝑥= Φ𝛼 解析时空体积，我们旨在利用与 𝑇 回声 2 的字典匹配来估计更清晰的定量图。图 2 (A) 中的体内实验表明，使用子空间可以减少估计的 T 2 图中的模糊。 CRB 翻转角优化：我们通过最小化两种方式的 CRB 来优化 3D-QALAS 中的翻转角：(1) 优化每个回波序列的一个翻转角 (2) 优化每个回波序列中的所有翻转角。我们使用传统的 4 度翻转角初始化了这两种优化，利用了代表性组织参数 [T 2 =70ms、T 1 =700ms、M0=1] 和 [T 2 =80ms、T 1 =1300ms、M0=1]，并最小化了基于 CRB 的成本函数。我们为 3D-QALAS 实现了自动微分兼容信号模拟 3，从而能够计算基于 CRB 的优化的梯度。减少采集：我们通过从 TR 末尾移除采集，设计了具有 A ={5,4,3} 采集的优化序列，从而加快了扫描速度。实验：我们在扫描仪上实施了针对每个回波序列进行优化的 3D-QALAS 序列，并使用 Mini System Phantom、型号 #136（CaliberMRI，美国科罗拉多州博尔德）和人类受试者（经 IRB 批准）上的常规和优化序列采集数据，进行了 3 次和 5 次采集（1x1x1mm3 分辨率，R=2）。我们比较了使用子空间重建（秩 = 3）和字典匹配估计的定量图。结果：优化序列：图 2（B）绘制了优化的翻转角和（C）与应用子空间重建进行定量估计时的传统序列相比的所得 CRB。优化可以减少 CRB 或者以更少的采集次数匹配传统的 5 次采集 CRB，从而有可能缩短扫描时间。模型和体内：图 3（A）和（B）显示了从模型和体内数据估计的图，其中每个 ETL 翻转角优化的序列（A=3,5 次采集）与恒定翻转角匹配。讨论和结论：未来的工作将实施全翻转角优化序列来解决未来实验中的 T 1 偏差。将子空间重建与自动微分启用的翻转角优化相结合，可获得改进的 3D-QALAS 序列，并将扫描时间缩短 1.75 倍。参考文献：[1] Kvernby, S. et al. J. Cardiovasc. Magn. Reson. 16 , 102 (2014)。[2] Tamir, JI 等人 Magn. Reson. Med. 77 , 180–195 (2017)。[3] Lee, PK 等人 Magn. Reson. Med. 82 , 1438–1451 (2019)。致谢：NIH R01 EB032708、R01HD100009、R01 EB028797、U01 EB025162、P41 EB030006、U01 EB026996、R03EB031175、R01EB032378、5T32EB1680
Ramy A. Zeineldin*、Alex Pollok**、Tim Mangliers**、Mohamed E. Karar、Franziska Mathis- Ullrich 和 Oliver Burgert 胸罩的深度自动分割
摘要：术中成像可帮助神经外科医生确定脑肿瘤和其他周围脑结构。介入超声 (iUS) 是一种方便的检查方式，扫描时间快。然而，iUS 数据可能受到噪声和伪影的影响，从而限制了它们在脑外科手术期间的解释。在这项工作中，我们使用两个深度学习网络，即 UNet 和 TransUNet，对 iUS 数据中的脑肿瘤进行自动和准确的分割。实验是在 27 个 iUS 体积的数据集上进行的。结果表明，使用带有 UNet 的转换器有利于提供有效的分割建模，从而对每个 iUS 图像之间的长距离依赖关系进行建模。特别是，增强型 TransUNet 能够以超过 125 FPS 的推理率预测 iUS 数据中的腔体分割。这些有希望的结果表明，深度学习网络可以成功部署以协助手术室中的神经外科医生。
基于人工智能的肝脏 MRI 图像质量增强：定量和定性评估
摘要 目的 比较应用和关闭 (NON-DL) 的 AIR Recon Deep Learning™ (ARDL) 算法的肝脏 MRI 与传统高分辨率采集 (NAÏVE) 序列在定量和定性图像分析和扫描时间方面的差异。材料与方法这项前瞻性研究包括 2021 年 9 月至 11 月期间的 50 名连续志愿者（31 名女性，平均年龄 55.5 ± 20 岁）。进行 1.5 T MRI 检查并包括三组图像：使用 ARDL 和 NAÏVE 协议获取的轴向单次激发快速自旋回波 (SSFSE) T2 图像、弥散加权图像 (DWI) 和表观弥散系数 (ADC) 图；还评估了 NON-DL 图像。两名放射科医生一致在肝实质中绘制固定的感兴趣区域以计算信噪比 (SNR) 和对比噪声比 (CNR)。另外两名放射科医生使用五点李克特量表独立评估主观图像质量。记录采集时间。结果 SSFSE T2 客观分析显示 ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 和 CNR 较高（所有 P < 0.013）。对于 DWI，ARDL vs NAÏVE 和 ARDL vs NON-DL 的 SNR 没有差异（所有 P > 0.2517）。ARDL vs NON-DL 的 CNR 较高（P = 0.0170），而 ARDL 和 NAÏVE 之间没有差异（P = 1）。在 ADC 图的 SNR 和 CNR 方面，三种比较均无差异（所有 P > 0.32）。所有序列的定性分析显示 ARDL 的整体图像质量更好，截断伪影更少，清晰度和对比度更高（所有 P < 0.0070），且具有出色的评分者间一致性（k ≥ 0.8143）。 ARDL 序列的采集时间比 NAÏVE 短 (SSFSE T2 = 19.08 ± 2.5 s vs. 24.1 ± 2 s 和 DWI = 207.3 ± 54 s vs. 513.6 ± 98.6 s，所有 P < 0.0001)。结论 ARDL 应用于上腹部与 NAÏVE 协议相比，整体图像质量更好，扫描时间更短。
使用 HALO 1000Å C4 对曲妥珠单抗进行 LC-MS 分析
色谱柱：HALO 1000Å C4, 2.7 µm, 2.1 x 150 mm 部件号：92712-714 流动相 A：10 mM 二氟乙酸 (DFA) 水溶液 流动相 B：10/90 水/乙腈中的 10 mM 二氟乙酸 梯度：10 分钟内 B 从 32% 变为 42% 流速：0.35 mL/min。压力：184 bar 温度：80 °C 检测：280 nm 进样量：1 µL 2 mg/mL 曲妥珠单抗（糖基化/去糖基化） 样品溶剂：0.1% DFA 溶于 70/30 水/乙腈 LC 系统：Shimadzu Nexera MS 测试条件： MS 系统：Thermo Fisher Orbitrap VelosPro ETD 扫描时间：6 µscans/250 ms 最大进样时间 扫描范围：1800 至 4000 m/z MS 参数：正离子模式，ESI 在 +4.0 kV，225°C 毛细管
精油对比佛罗伦萨大教堂外部大理石的生物降级
NMR是代谢组学的关键技术，因为它具有稳健性和可重复性。在此，我们会考虑扩展NMR光谱效用的实际考虑。首先，小分子的长t 1自旋松弛时间限制了高通量数据采集，因为在等待信号恢复时丢失了大多数实验时间。原则上，添加了少量的商业可用顺磁性颅颅颅位，可以通过正确的浓度确定成本有效且有效的高吞吐量混合物分析。但是，样品交换过程中温度缓慢的调节引起的空闲时间是一个下一个约束。我们展示了如何通过适当的护理，可以将NMR样品扫描时间额外减少两个。最后，我们描述了等距的桶装是代谢组细纹的简单快速程序。这些进步的结合有助于使NMR代谢组学比今天更具用力。2023作者。由Elsevier Inc.出版这是CC下的开放式访问文章（http：//creativecommons.org/licenses/4.0/）。
超材料增强的磁共振成像
摘要。磁共振成像（MRI）是现代诊断中一种无创和强大的方法，它一直在飞跃和边界发展。基于提高静态磁场强度改善MRI的常规方法受到安全问题，成本问题和对患者体验的影响的限制；因此，需要创新的方法。已经提出，具有亚波长单元细胞的超材料可用于完全控制电磁波和重新分布电磁场，实现丰富的违反直觉现象以及构建多功能设备。最近，具有异国情调的有效电磁参数，特殊的分散关系或共振模式的量身定制的现场分布的超材料显示出有希望的MRI功能。在此概述了MRI过程的原理，通过采用超材料的独特物理机制来回顾最新进展，并揭示了超材料设计可以改善MRI的方法，例如通过提高成像质量，减少扫描时间，减轻现场inthomogenies和增强的患者的安全，并提高现场的患者。我们通过提供对超材料改善MRI的未来的愿景来得出结论。
bsc_con_2.09肿瘤学：癌症筛查
1。粪便免疫组织化学测试（FIT）：结肠癌的筛查测试检测到较低肠中的人体血液。（仅拟合测试不涉及任何基因检验，并且不在本政策的范围之内）。2。FIT-DNA测试：使用抗体检测粪便中的血液的粪便免疫化学（FIT）的组合，通过检测粪便中癌症或息肉细胞异常DNA的测试。3。低剂量计算机断层扫描（LDCT）：提出作为一种筛查无症状的，高风险个体的肺癌的方法；它指的是在单个最大吸气呼吸中与多探测器CT扫描仪的非对比度研究，扫描时间不到25秒。基于在早期阶段检测肺癌的优点，LDCT可能是改善的早期肺癌检测工具。4。microRNA（miRNA）：组织特异性，小的，非编码的RNA调节基因表达，可以鉴定出候选肺癌的候选者。临床注意事项重要的是要注意筛查测试不是诊断测试。筛查测试的结果使个人处于较低的风险或更高的风险状态。对于一个被置于更高风险状态的个人，进行适当的诊断测试是为了对癌症进行确定的诊断。
2024年5月9日季度环境抽样
使用了在多个反应监测（MRM）模式下运行的液相色谱（LC）三倍四极杆质谱仪（MS）。该系统由Thermo Ulti-Mate 3000 LC系统组成，该系统耦合到abciex Q-trap 4000 ms。使用Restek Raptor Biphenyl柱（150 mm x 4.6 mm x 2.7 µm）实现分离。分析时间为15分钟，流速为0.75 ml/min，注射体积为15 µL。在运行期间，使用了12分钟的溶剂梯度（95％水 / 5％甲醇 + 0.1％甲酸甲醇至100％甲醇，以0.1％的形式），然后是3分钟的同位时期（100％甲醇 + 0.1％甲酸）。MS利用零空气氮作为脱溶剂和雾化气体。使用电喷雾电离（ESI）源，温度为550°C，喷雾电压为+5500V。使用定时MRM方法来监测所有药物和内标的两个过渡（一种用于定量和确认性识别）。将MRM检测窗口设置为120 s，目标扫描时间设置为0.1 s。