XiaoMi-AI文件搜索系统
World File Search System扫描类型
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。
使用深度学习的脑肿瘤检测系统
摘要 - 该项目的目标包括定位脑肿瘤和加强对患者的护理。肿瘤是异常细胞生长，恶性肿瘤是异常细胞生长。CT 和 MRI 这两种扫描类型经常检测受感染的脑组织。诊断脑肿瘤采用了许多其他技术，其中一些包括分子检测和血液或淋巴动脉的正电荷成像。为了识别肿瘤等疾病原因，本文将使用各种 MRI 图像。本研究论文的主要目标是 1) 识别不规则的样本照片和 2) 定位肿瘤区域。为了实施适当的治疗，照片的异常部分将预测肿瘤的程度。从示例照片中，深度学习用于识别异常区域。本研究将使用 VGG-16 对异常部分进行分割。恶性像素的数量决定了受污染区域的范围。
症状和诊断 - 里士满脑瘤支持小组
传统的 X 光无法显示颅骨后面生长的肿瘤，因此需要使用特殊扫描来寻找肿瘤。计算机断层扫描 (CT) 或磁共振成像 (MRI) 扫描均使用计算机图形来创建大脑图像。对于这两种扫描，患者都躺在滑入成像设备的桌子上。为了获得准确的图像，患者必须静静地躺着。如果患者无法静静地躺着，则可能需要镇静。通常会注射特殊造影剂来帮助增强图像。扫描可能非常嘈杂，并且时间长度不一。CT 和 MRI 只是可用的两种扫描类型。其他专门的扫描可以测量流向大脑的血流率、提供用于手术期间的大脑映射或测量神经细胞产生的磁场。扫描完成后，放射科医生将解释计算机图像并提供初步诊断。
饮食补充3'-透析或6
溶解的人乳寡糖（HMO），例如3' - 透明lllactose（3'-sl）和6' - 溶藻（6'-sl），在整个哺乳期中都很丰富，并且比在牛奶或婴儿配方室中的浓度更高。先前的研究表明，溶解的HMO在早期生活中可能具有神经认知益处。最近的研究集中在补充婴儿配方奶粉和生物活性剂中，以缩小配方奶粉和母乳喂养婴儿之间的发育差距。在此，我们研究了补充3'-SL或6'-SL对两个时间点[产后天（PND）33和61]的认知和脑发育的影响。为期两天的小猪（n = 75）被随机分配给无用的商业牛奶替代品，无需或以3'-sl或6'-sl（以粉末状形式添加为0.2673％的粉末状形式，以0.2673％的速度添加）。通过新颖的对象识别评估了认知发展，并且在两个时间点，结果都不显着（p> 0.05）。磁共振成像用于评估结构性大脑的发育。结果在扫描类型，饮食和时间点之间有所不同。观察到饮食的主要作用是白质和其他9个感兴趣区域（ROI）以及PND 30上的PON的相对体积（P <0.05）的主要作用。在PND 58上观察到了类似的影响。扩散张量成像表明PND 30上的差异很小（P> 0.05）。然而，在PND 58（p <0.05）上观察到了扩散结果之间的几种饮食差异，表明饮食对脑微观结构的影响。在任何时间点都从髓磷脂水分成像中观察到最小的饮食差异。总体而言，补充辅酶对学习和记忆没有影响，如新颖的对象识别所评估，但可能会影响大脑发育的时间依赖方面。