XiaoMi-AI文件搜索系统
World File Search System相似系数
主动轮廓和OTSU阈值分割算法之间的比较分析
尽管已经提出了许多分割方法，但可以进一步提高分割结果的准确性。随后，本研究试图提供有关称为感兴趣区域（ROI）的大小，初始位置和形状（ROI）的非常重要的特性，以启动分割过程。MRI由特定人而不是一个图像的一系列图像（MRI切片）组成。我们的方法根据肿瘤大小，初始位置和形状选择其中的最佳图像，以避免部分体积效应。测试我们方法的所选算法是主动轮廓和OTSU阈值算法。在本研究中使用Brats标准数据集进行了几项实验，该数据集由100个样本组成。这些实验由65名患者的MRI切片组成。使用骰子，jaccard和BF分数通过相似系数作为标准度量来评估所提出的方法。结果表明，当在三个不同的相似性系数中测试时，主动轮廓算法具有较高的分割精度。此外，两种算法的实现结果验证了建议的方法选择MRI样品最佳ROI的能力。
人类大脑的解剖分割
磁共振成像 (MRI) 是一种强大且多功能的成像方式，是许多研究不可或缺的组成部分，尤其是在进行定量分析时。MRI 是成像大脑的首选方法，因为它具有出色的软组织对比度。将大脑准确分割成解剖区域可以对大脑进行准确的定量分析。三个可以自动对人脑进行解剖分割的软件程序是 FreeSurfer、FastSurfer 和 MAPER。本研究的目的是使用 FreeSurfer 作为基线，并调查 FastSurfer 和 MAPER 分割与 FreeSurfer 在同一数据集上的输出的一致性。使用 FreeSurfer、FastSurfer 和 MAPER 对来自 IXI 数据集的 185 个 T1 加权 3D MR 图像进行分割。使用默认训练检查点对 IXI 数据集的 FastSurfer 和 FreeSurfer 输出以及相应的大脑 MR 图像作为 MAPER 的源图谱。然后使用 Jaccard 相似系数将 FastSurfer 和 MAPER 分割与 FreeSurfer 分割进行比较。MAPER 在复制符合 FreeSurfer 的皮层下区域输出方面表现优于 FastSurfer。MAPER 和 FastSurfer 在皮层区域的表现类似。
3D Kronecker 卷积特征金字塔用于 MRI 成像中的脑肿瘤语义分割
脑肿瘤严重影响生活质量，并改变患者及其亲人的一切。脑肿瘤的诊断通常从磁共振成像 (MRI) 开始。从 MRO 图像手动诊断脑肿瘤通常需要专家放射科医生。然而，这个过程既耗时又昂贵。因此，需要一种计算机化技术来检测 MRI 图像中的脑肿瘤。使用 MRI，使用三维 (3D) 克罗内克卷积特征金字塔 (KCFP) 的新机制来分割脑肿瘤，解决像素丢失和多尺度病变处理薄弱的问题。用 3D 克罗内克卷积代替单一扩张率，同时使用 3D 特征选择 (3DFSC) 进行局部特征学习。在 3DFSC 末尾添加 3D KCFP 以解决多尺度病变处理薄弱的问题，从而有效分割不同大小的脑肿瘤。使用具有全局阈值的 3D 连通分量分析作为后处理技术。标准多模态脑肿瘤分割 2020 数据集用于模型验证。与其他基准方案相比，我们的 3D KCFP 模型表现优异，整个肿瘤、增强肿瘤和肿瘤核心的骰子相似系数分别为 0.90、0.80 和 0.84。总体而言，所提出的模型在脑肿瘤分割方面是有效的，这可能有助于医生对未来的治疗计划做出适当的诊断。
基于 CapsNet 的脑 MRI 图像中胶质瘤的精确自动分割
摘要 — 胶质瘤是一种高度侵袭性的脑肿瘤，出现在大脑的不同部位，大小、形状各异，边界模糊。因此，在 MRI 图像中识别肿瘤的确切边界是一项艰巨的任务。近年来，基于深度学习的 CNN 方法在图像处理领域越来越受欢迎，并已用于医学应用中的精确图像分割。然而，CNN 的固有局限性使得在训练阶段需要数万张图像，而收集和注释如此大量的图像带来了巨大的挑战。在这里，我们首次优化了一个基于胶囊神经网络（称为 SegCaps）的网络，以实现 MRI 图像中的精确胶质瘤分割。我们将我们的结果与使用常用的 U-Net 进行的类似实验进行了比较。两个实验都是在 BraTS2020 挑战性数据集上进行的。对于 U-Net，网络训练是在整个数据集上进行的，而 SegCaps 使用的子集仅包含整个数据集的 20%。为了评估我们提出的方法的结果，我们使用了 Dice 相似系数 (DSC)。SegCaps 和 U-Net 在胶质瘤肿瘤核心分割上分别达到了 87.96% 和 85.56% 的 DSC。SegCaps 使用卷积层作为基本组件，具有概括新观点的内在能力。网络使用胶囊的动态路由来学习特征之间的空间关系。胶囊神经网络的这些功能使胶质瘤分割结果提高了 3%，数据更少，而其参数比 U-Net 少 95.4%。
基于改进卷积神经网络的脑肿瘤分割分类系统的设计与评估
深度学习技术最近在从 MRI 图像中分割脑肿瘤方面表现出了良好的效果。由于能够处理高分辨率图像并分割整个肿瘤区域，U-Net 模型就是其中之一，并且经常被使用。对于脑肿瘤治疗的分析和规划，使用多对比度 MRI 图像准确分割脑肿瘤至关重要。包括 U-Net、PSPNet、DeepLabV3+ 和 ResNet50 在内的深度学习模型在脑肿瘤分割方面表现出了令人鼓舞的效果。使用 BraTS 2018 数据集，我们在本研究中比较了这些模型。我们使用各种测量方法来评估模型，包括豪斯多夫距离 (HD)、绝对体积差异 (AVD) 和骰子相似系数 (DSC)，并研究数据增强和迁移学习方法如何影响模型的性能。研究结果表明，3D U-Net 模型表现最佳，DSC 为 0.90，HD 为 10.69 毫米，AVD 为 11.15%。 PSPNet 模型取得了相当的性能，DSC 为 0.89，HD 为 11.37mm，AVD 为 12.24%。DeepLabV3+ 和 ResNet50 模型取得了较低的性能，DSC 分别为 0.85 和 0.83。根据发现和分析，建议使用具有数据增强和迁移学习的 3D U-Net 模型利用多对比度 MRI 图像进行脑肿瘤分割。
使用基于 U-Net 的深度卷积神经网络自动分割 MRI 图像上的颅咽管瘤
摘要 目的 开发一种基于U-Net的颅咽管瘤自动分割深度学习模型。方法 本研究纳入264例确诊为颅咽管瘤的患者。收集、注释治疗前的MRI图像，并将其作为基本事实来学习和评估深度学习模型。来自其他机构的38名患者用于独立的外部测试。提出的分割模型基于U-Net架构构建。计算每例的骰子相似系数（DSC）、95%百分位数（95HD）的Hausdorff距离、Jaccard值、真阳性率（TPR）和假阳性率（FPR）。使用单因素方差分析来探讨模型性能是否与肿瘤的放射学特征有关。结果所提出的模型在分割方面表现出良好的性能，平均 DSC 为 0.840、Jaccard 为 0.734、TPR 为 0.820、FPR 为 0.000、95HD 为 3.669 毫米。它在独立的外部测试集中表现良好，平均 DSC 为 0.816、Jaccard 为 0.704、TPR 为 0.765、FPR 为 0.000、95HD 为 4.201 毫米。此外，单因素方差分析表明，该性能与放射学特征无统计学相关性，包括主要成分（p = 0.370）、分叶形状（p = 0.353）、受压或封闭的 ICA（p = 0.809）和海绵窦侵犯（p = 0.283）。结论 提出的深度学习模型在颅咽管瘤自动分割方面表现出良好的效果。要点 • 基于 U-Net 的分割模型在颅咽管瘤分割中表现出良好的性能。 • 无论颅咽管瘤的放射学特征如何，提出的模型都表现出良好的性能。 • 该模型在从另一个中心获得的独立外部数据集中实现了可行性。
文章：Alandejani, F.、Alabed, S. orcid.org/0000-0002-9960-7587、Garg, P. 等人（另外 23 位作者）（2022 年）人工智能得出的右心房心血管磁共振测量的训练和临床测试。《心血管磁共振杂志》，24 (1)。25。
摘要背景：右心房 (RA) 面积可预测肺动脉高压患者的死亡率，并被欧洲心脏病学会/欧洲呼吸学会肺动脉高压指南推荐。深度学习的出现可能使 RA 面积测量更加可靠，以改善临床评估。本研究的目的是实现心血管磁共振 (CMR) RA 面积测量自动化，并通过评估可重复性、与侵入性血流动力学的相关性和预后价值来评估其临床效用。方法：在 365 名患有肺动脉高压、左心室病变的患者和健康受试者的多中心队列中训练了深度学习 RA 区域 CMR 轮廓模型。在前瞻性队列 (n = 36) 中评估了研究间重复性 (组内相关系数 (ICC)) 和轮廓一致性 (DICE 相似系数 (DSC))。对未用于训练或前瞻性队列的 400 名患者进行了临床测试和死亡率预测，并对 212/400 名患者评估了自动和手动 RA 测量与侵入性血液动力学的相关性。在 ASPIRE 登记处对 3795 名患者进行了放射科医生质量控制 (QC)。主要 QC 观察员评估了所有分割并将其记录为满意、次优或失败。第二位 QC 观察员分析了一个随机子队列以评估 QC 一致性 (n = 1018)。结果：与手动 RA 测量相比，所有深度学习 RA 测量均显示出更高的研究间重复性 (ICC 0.91 至 0.95)（第一位观察员 ICC 0.82 至 0.88，第二位观察员 ICC 0.88 至 0.91）。DSC 在比较自动人工智能和手动 CMR 阅读器时显示出高度一致性。观察者 1 对观察者 2、自动测量对观察者 1 和自动测量对观察者 2 的最大 RA 面积平均值和标准差 (SD) DSC 指标分别为 92.4 ± 3.5 cm 2 、91.2 ± 4.5 cm 2 和 93.2 ± 3.2 cm 2 。观察者 1 对观察者 2、自动测量对观察者 1 和自动测量对观察者 2 的最小 RA 面积平均值和 SD DSC 指标分别为 89.8 ± 3.9 cm 2 、87.0 ± 5.8 cm 2 和 91.8 ± 4.8 cm 2 。自动 RA 面积测量均表现出中等相关性
基于个体脑代谢连接组指标
摘要 目的 18 F-氟脱氧葡萄糖 (FDG) 正电子发射断层扫描 (PET) 揭示了轻度认知障碍 (MCI) 和阿尔茨海默氏痴呆 (AD) 患者的脑代谢改变。先前的代谢连接组分析源自患者群体，但不支持预测个体从当前 MCI 转变为 AD 的风险。我们现在提出一种个体代谢连接组方法，即 Kullback-Leibler 散度相似性估计 (KLSE)，以表征预测个体从 MCI 转变为 AD 风险的全脑代谢网络。方法从 ADNI 数据库招募 FDG-PET 数据，包括 50 名健康对照者、332 名稳定性 MCI 患者、178 名发展为 AD 的 MCI 患者和 50 名 AD 患者。使用 KLSE 方法确定每个人的代谢脑网络。比较KLSE矩阵与组水平矩阵的组内和组间相似性与差异性，评估KLSE的网络稳定性和个体间变异性。采用多变量Cox比例风险模型和Harrell's一致性指数（C指数）评估KLSE及其他临床特征的预测性能。结果与典型的组水平方法相比，KLSE方法能捕捉到更多的顶叶和颞叶病理连接，并提供详细的个体信息，同时具有更高的网络组织稳定性（组内相似系数，sMCI为0.789，pMCI为0.731）。代谢连接组表达是优于其他临床评估的转变预测因子（风险比（HR）= 3.55；95% CI，2.77 – 4.55；P < 0.001）。在 Cox 模型中结合临床变量后，预测性能进一步提高，即 C 指数 0.728（临床）、0.730（组级模式模型）、0.750（成像连接组）和 0.794（组合模型）。
深层古生物学和DNA存活的极限
摘要恶性神经胶质瘤的渗透性会导致活性肿瘤扩散到周围的水肿中，即使在对比度注射后，在常规磁共振成像（CMRI）中也不可见。MR弛豫计（QMRI）测量弛豫率取决于组织特性，并可以提供其他对比机制，以突出非增强的浸润性肿瘤。在考虑深度学习的脑肿瘤检测和分割，术前常规（T1W次和对比度，T2W和FLAIR）以及定量（对比前和后对比度r 1，r 2和Proton密度）中，从23个典型的RADI中获得了一名典型的RADI，与CMRI数据相比，与CMRI序列相比是否提供了其他信息。在考虑基于深度学习的脑肿瘤检测和分割，术前常规（T1W per和Contyptrast和Contypontast，T2W和FLAIR），T2W和FLAIR）以及定量（前后和后对比度R 1，R 2和Proton MINID）MR研究中获得了23个典型的RADI较高的RADI，则获得了GREN。2D深度学习模型对使用CMRI或QMRI进行了横向切片（n = 528）的培训（n = 528），以进行肿瘤检测和分割。此外，对定量r 1和r 2的趋势通过模型解释方法与肿瘤检测相关的区域速率进行了定性分析。肿瘤检测和分割性能，用于对比前和对比后训练的模型最高（检测MATTHEWS相关系数（MCC）= 0.72，分割骰子相似系数（DSC）= 0.90），但是与CMRI相比，差异并不统计具有统计学意义。对使用模型识别的相关区域进行的总体分析表明，在CMRI或QMRI上训练的模型之间没有差异。查看各个病例时，注释以外的大脑区域的松弛率与肿瘤检测相关，在大多数情况下类似于注释中的区域类似的对比注射后显示出变化。总而言之，对QMRI数据培训的模型获得了与接受CMRI数据训练的模型相似的检测性能和分割性能，并在类似的扫描时间内定量测量脑组织性能。在考虑单个患者时，通过模型确定的区域的放松率分析表明，基于CMRI的肿瘤注释以外存在浸润性肿瘤。
iQuest 临床验证工作 - Avenda Health
Avenda Health 的 iQuest 软件是一种基于人工智能 (AI) 的决策支持工具，可与医学成像和活检数据结合使用来规划前列腺癌干预措施。iQuest 通过帮助用户分割 MRI 图像特征、以 3D 形式可视化癌症风险以及选择治疗部位来支持前列腺肿瘤学工作流程。迄今为止，各种临床数据回顾性研究已用于验证 iQuest 功能，包括多份同行评审的摘要和几份正在准备中的手稿。这些验证工作总结如下。AI 前列腺分割算法 (AIPSA) Avenda Health 开发了一种基于 MRI 图像自动分割前列腺的 AI 算法，并在 137 个多机构测试案例上验证了该算法。该算法在广泛的前列腺体积、扫描仪型号和图像分辨率中均表现出色，平均骰子相似系数为 0.93。此外，在与竞争产品（In Vivo DynaCAD）的前列腺分割功能进行头对头比较时，Avenda 算法表现最佳，骰子相似度（0.93 vs 0.86）和相对体积误差（4.9% vs 15.2%）均有显著改善。AI 病变轮廓算法 Avenda Health 开发了一种 AI 算法，帮助用户定义病变轮廓，以便在前列腺干预（如靶向治疗）期间使用。该算法的核心特征是癌症估计图（CEM），即整个前列腺估计的临床显著癌症（csPCa）风险的 3D 图。CEM 是使用多机构融合活检数据开发的，并在 100 例多机构前列腺切除术病例中进行了验证 [1]。事实证明，CEM 在预测 csPCa 方面非常有效，平均 AUC 为 0.92，平衡准确度为 85%。此外，使用来自外部人群的 50 例前列腺切除术病例，从 CEM 得出的默认病变轮廓优于传统规划 [1]。Avenda 病变轮廓具有更高的 csPCa 敏感性和更高的指数肿瘤包封率（分别为 97% 和 90%），高于放射科医生定义的原始目标（37%，0%）、半腺边缘（94%，66%）和 1 厘米均匀边缘（93%，82%）。在同一项研究中，iQuest 的包封置信度评分功能能够准确预测 csPCa 包封率，R 2 值为 0.98，中位误差仅为 4%。Avenda LCA 验证工作已在 5 篇同行评审和获奖摘要中发表 [2-6]，手稿正在准备提交期刊 [1]。病变轮廓勾画的医生研究除了内部研究确认用户与 iQuest 整体交互的准确性和有效性之外，还通过多读者（N = 10）多病例（N = 50）研究使用根治性直肠切除术标本作为基本事实来评估病变轮廓勾画任务[7-10]。使用 iQuest 的读者（医生）绘制的病变轮廓比手动定义的轮廓识别出更多的 csPCa（97% vs 38%），同时比半腺轮廓保留了更多的良性组织（72% vs 53%）。iQuest 轮廓的平衡准确度明显高于两种比较方法，阅读时间减少了 40%。手稿正在准备提交给期刊 [9]。