摘要 - 光声tomog-raphy的最终目标是准确绘制整个成像组织中的吸收系数。大多数研究都假定生物组织的声学特性,例如声音(SOS)和声学衰减,或者在整个组织中都是均匀的。这些假设降低了衍生吸收系数估计的准确性(DEAC)。我们的定量光声断层扫描(QPAT)方法使用迭代完善的波场重建内部(IR-WRI)估算DEAC,该局部结合了乘数的交替方向方法,以解决与全波逆算法相关的循环跳过挑战。我们的方法弥补了SOS不均匀性,衰变和声学衰减。我们在新生儿头数字幻影上评估了方法的性能。
伯基特淋巴瘤(BL),弥漫性大B细胞淋巴瘤(DLBCL)和原发性纵隔B细胞淋巴瘤(PMBCL)是儿童和年轻人的常见肿瘤(1)。尽管化学疗法可以显着提高生存率,而无事件的生存率为5年,但对于那些对前线化学疗法复发或反应不佳的患者的预后较差[总生存率(OS)率≤25%](2)。高剂量化疗可能会诱导延迟作用,包括继发性恶性肿瘤,慢性健康状况和不育(3,4)。作为一种新型的免疫治疗,嵌合抗原受体(CAR)T细胞治疗在许多类型的恶性肿瘤中取得了显着的效果,尤其是在复发或难治性的大B细胞淋巴瘤(LBCL)中,并且治疗效应可以持续使用(5-7)。但是,大多数患者确实会经历复发(8,9)。细胞因子释放综合征(CRS)和免疫效应物细胞相关的神经毒性综合征(ICAN)是常见的与免疫相关的不良事件,必须密切监测,因为它们可能是致命的(10)。因此,重要的是要鉴定预后较差的患者,并且在服用T细胞治疗之前有严重不良反应的风险。作为形态和功能成像的组合,
kleine – Levin综合征是一种罕见的疾病,其特征是重新呼吸症的复发性发作,认知障碍,伴奏,脱离和行为扰动。在发作之间,大多数患者的睡眠,情绪和行为正常,但在脑功能成像中可能存在一些残留异常。 however, the frequency, localization and significance of abnor- mal imaging are unknown, as brain functional imaging have been scarce and heterogenous [including scintigraphy 18F-fluorodeoxyglu- cose positron emission tomography/computerized tomography (FDG-PET/CT) and functional MRI during resting state and cognitive ef- fort] and based on case reports or on group analysis in small groups.使用在克莱恩 - 列文综合征诊断时的18F-氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描术的视觉分析,我们检查了一项横截面研究中虚弱和超级代谢的频率,定位和临床决定因素。在179例Kleine-Levin综合征患者中,接受了18F-氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描,视觉分析仅限于在无症状期间研究的138名未经治疗的患者。多达70%的患者患有缺失代谢,主要影响后缔合皮质和海马。缺乏代谢与年龄较小,最近(<3年)的病程和上一年中较高的发作有关。在该疾病开始时,低代谢率更广泛(从左边的枕骨连接到整个同型外侧,然后是双侧后缔合性皮层)。相比之下,前额叶背侧皮层有多代谢,其中一半的患者(几乎所有患者在后部地区都有伴随性的低甲状酸酯),这也与年龄较小和较短的疾病病程有关。认知表现(包括情景记忆)在患有海马低代谢的患者中相似。总而言之,在无症状kleine – levin综合征期间,对18F-氟脱氧葡萄糖正电子发射断层扫描/计算机化的tomog-raphy的个人视觉分析经常观察到低代谢。它主要影响后缔合皮质和海马,主要是在最近发病的年轻患者中。低代谢在克莱恩 - levin综合征的第一年期间提供了特征标记,这可以在诊断过程中帮助临床医生。
1纳米工程系,加利福尼亚州圣地亚哥分校,加利福尼亚州拉霍亚,美国92093,美国2劳动力DeRéactivitéet Chimie et Chimie des Solyes(LRCS) Electrochimique de l'Energie(RS2E),CNRS 3459,Hub de l'Energie,80039,法国Amiens,Amiens,4个国家可再生能源实验室,15013年,丹佛West Parkway,Golden,Golden,Golden,Golden,Golden,Colorado 80401,美国,美国,美国50401年,美国50401年,美国综合大学。和工程,加利福尼亚大学圣地亚哥分校,加利福尼亚州,美国92093,美国7 Alistore-Eri欧洲研究所,CNRS FR 3104,Hub de l'Energie,80039法国阿米恩斯,法国80039,法国80039 Institut Institut Universiatut de France de France de France de France de France,75005 Paris,France 9 Heptrance 9 Hypero Scientipic scientipic sciential 5 pariuts Scientipic nestripicigantificientiphipic fishericigicatific 5美国加利福尼亚州加利福尼亚大学加利福尼亚大学加利福尼亚大学92093,美国加利福尼亚大学可持续电力与能源中心(SPEC) *相应的作者:jdoux@eng.ucsd.edu),shmeng@ucsd.edu(Y。S. M.)关键字:特征,断层扫描,建模,机器学习,人工智能,内部内实验,相关显微镜
许多上述系统可以以颗粒物质的形式存在,其中诸如形态,布置,组成和孔隙率等参数控制其功能特性。颗粒可以表现出内在的内部孔网络。另外,以聚集的形式或填充成颗粒,柱或反应时,会从其填料结构中创建其他颗粒孔隙空间。当将这些不同的孔隙空间组合在一起时,会出现分层孔系统,可以根据运输,反应动力学或动态吸附来量身定制以提供增强的性质。[3,5,14]评估粒子和孔统计的评估,例如粒子和孔径,互连性,折磨或封闭/开放式孔隙率是表征和随后优化此类材料的关键。单个颗粒,它们作为功能结构的团聚形式以及组合的颗粒内和颗粒孔隙空间通常延伸到几个长度尺度上。内部孔的范围从微(<2 nm)到介孔(2 - 50 nm)的状态,直至较大的大孔(> 50 nm),而颗粒间孔通常是较大的大孔。[14]单个颗粒的大小只有几nm到几十µm,它们的团聚和包装结构通常是宏观尺寸的。[5]难度是对所有必要的,函数确定的特征的完整评估,仅使用一种3D表征技术就无法执行。
1 UMR 1107插入/UCA,Chu Clermont Ferrand,Universit和Clermont Auvergne,Neurmont Ferrand,法国; sylvain.lamoine@uca.fr(S.L.); (M.C。); David.A.Barrien.com(D.A.B.); vanexs_63@glass.com(V.P.); (M.F.); laetitia.prival@uc.fr(L.P.); julie.barri@uca.fr(J.B。); funfish-fill.fr(l.b。);大卫。); youussef。); alain.eschanger@uca.fr(A.E。)2 IGRS,CNR,INSERM,FACUL和DESIGN,UNIVERSIT和CLERMONT AUVERGNE,63000 CLEMONT-FERRAND,法国; emilie.big enmity.fr(E.B.); benjamin.bertin@uca.fr(B.B.); yoan.enabled@uca.fr(y.r。)3秋天和法国63000 Clermont Ferrand的Clermont Auvergne的病人陪伴的灾难; Clermont-Ferrand,诊所和创新,63000 Clermont Ferrand,法国6镇痛研究所,Facul and Decine,BP38,63001法国Ferrand *通讯员:繁华Syromes@uca.fr;电话: +33-(0)-4-7317-8235;传真: +4-4-7327-7162
©作者在欧洲放射学学会的独家许可下。2022 Open Access本文均在创意共享归因4.0国际许可下获得许可,该许可允许以任何媒介或格式使用,共享,适应,分发和复制,只要您适当地归功于原始作者(S)和来源,并提供了与创意共享许可证的链接,并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中,除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料,并且您的预期用途不受法定法规的允许或超过允许的用途,则您需要直接从版权所有者那里获得许可。要查看此许可证的副本,请访问http://creativecommons.org/licenses/4.0/。
1 CRCINA、INSERM、CNRS、昂热大学、南特大学,44093 南特,法国; clement.bailly@chu-nantes.fr (CB); benjamin.chalopin@yahoo.fr (BC); sebastien.gouard@univ-nantes.fr(新加坡); thomas.carlier@chu-nantes.fr (TC); patricia.lesaec@univ-nantes.fr (PR-LS); severine.marionneau-lambot@univ-nantes.fr (SM-L.); francoise.bodere@chu-nantes.fr (FK-B.); caroline.milin@chu-nantes.fr(CB-M.)2 核医学科,南特大学医院,44093 南特,法国 3 血液学科,南特大学医院,44093 南特,法国;philippe.moreau@chu-nantes.fr(PM);cyrille.touzeau@chu-nantes.fr(CT)4 核医学科,ICO-Ren é Gauducheau 癌症中心,44800 Saint-Herblain,法国* 通讯地址:michel.cherel@univ-nantes.fr;电话:+ 33-228-080-245;传真:+ 33-228-020-204 † 这些作者对这项工作做出了同等贡献。
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法,该方法利用了变压器网络的恢复能力,特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块:通过线性插值来提高采样,使用两者中深度学习的初始重建以及残留的细化。测试了两个架构:一个长期的架构,该结构在残留细化块的两个域中使用神经网络,而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法,从而产生了四种变体,所有这些方法在PSNR和SSIM方面都优于FBP和SIRT(例如FBP和SIRT)。使用Swinir的短体系结构取得了最佳结果,其训练和计算时间小于基于Swinir的长架构,但比两个基于U-NET的变体都大。
通常的计算机断层扫描(CT)系统提供有关组成对象的材料的布局和性质的信息。但是,此信息仅限于材料的明显线性衰减µ。要以有效的原子数z eff和电子密度ρe的形式达到更精确和准确的描述,可以使用双能量成像。常规的双能计算机计算机(DECT)技术是:(a)进行预处理的双能数据集并执行常规CT重建[1],(b)重建双能量数据集并分析获得的线性衰减数据集的比例,并在A上进行了一定的材料[2,3]和(C)[2,3],3]和(C) [4-6]。第二种技术相对方便地设置,但并非完全独立于能量。第三种技术已被证明相当有效;但是,它提出了一个用于分解的材料基础选择的问题。检查由大量不同材料组成的复杂物体时,此选择可能至关重要。因此,这项工作着重于将第一个技术扩展到高能,因为它不需要对材料进行任何假设,并通过系统频谱响应考虑了光束硬化效应。DEV源通常是X射线管,将诊断能范围限制在几百kV中。对于大而厚的物体,必须具有等效的X射线衰减,高达1 m的混凝土,高能(> 6 mV)的扫描仪是强制性的。[1]和Azevedo等。[7]需要扩展。在这样的能量下,E + E - 对生产优先于光电效果,而Alvarez等人启动了双能分解的工作。由于E + E - 对生产横截面𝜎 𝜎没有分析公式,该模型以第二阶多项式𝑔𝑔()的形式将贡献与原子数Z分开,并从能量E分开,并提出了第三阶多项式𝑔𝑃𝑃()和第三阶多项式1𝑓(and)。