XiaoMi-AI文件搜索系统
World File Search System磁共振
回顾胎儿大脑磁共振成像中深度学习和人工智能模型
胎儿中枢神经系统异常是相当普遍的，发生在0.1％至0.2％的活产，3％至6％的死产中。因此，胎儿脑异常的初始检测和分类至关重要。手动检测和分割胎儿脑磁共振成像（MRI）可能很耗时，并且容易受到解释器的经验。人工智能（AI）算法和机器学习方法具有很高的潜力，可以帮助早期发现这些问题，改善诊断过程和随访程序。在胎儿大脑MRI中使用AI和机器学习技术是本叙事评论论文的主题。使用AI，解剖胎儿脑MRI处理已研究模型，以自动预测特定的地标和分割。使用了所有妊娠年龄（17-38周）和不同的AI模型（主要是卷积神经网络和U-NET）。某些模型的准确性达到了95％及以上。AI可以帮助预处理和过程后胎儿图像和重建图像。此外，AI可用于胎龄预测（具有一周的精度），胎儿脑提取，胎儿脑部分割和胎盘检测。已经提出了一些胎儿脑线性测量，例如脑双胎直径。使用对角线二次区分分析，K-最近的邻居，随机森林，天真贝叶斯和径向基础功能神经网络分类器研究了脑病理学的分类。深度学习方法将变得更加强大，因为可以使用越来越大的标签数据集。共享胎儿脑MRI数据集至关重要，因为没有很多胎儿脑部图片可用。此外，医生应了解AI在胎儿脑MRI中的功能，尤其是神经放射学家，普通放射学家和周期学家。
深度学习在磁共振图像胎儿大脑分割中的应用综述
对于许多临床应用（包括胎儿成像）而言，大脑分割通常是定量分析大脑的第一步，也是最关键的一步。在磁共振成像 (MRI) 中，胎儿大脑的分割面临不同的挑战，例如由于胎儿在检查过程中的运动而导致的胎儿位置不标准、大脑快速发育以及图像数据有限。近年来，已经提出了几种分割方法，用于自动从 MRI 图像中分割胎儿大脑。这些算法旨在定义具有不同形状和强度的感兴趣区域，涵盖整个大脑或隔离特定结构。深度学习技术，特别是卷积神经网络 (CNN)，已成为该领域最先进的方法，因为它们可以在异构数据集上提供可靠的分割结果。在这里，我们回顾了在胎儿大脑分割领域开发的深度学习算法，并根据其目标结构对其进行分类。最后，我们讨论了胎儿领域文献中已知的研究差距，并提出了可能影响胎儿 MRI 图像管理的未来研究方向。
基于集合学习的基于磁共振图像的本地斑块分类，以检测大脑中的铁沉积
摘要：已经观察到正常衰老的大脑中的铁沉积，并且与神经退行性疾病有关。据我们所知，尚未进行基于大脑基底神经节区域的铁沉积的大脑磁共振图像（MRI）的自动分类。使用简单的MRI技术来分析大脑中的铁区域非常困难。MRI序列（SWI）（SWI）有助于区分脑铁区域。我们工作的目的是研究大脑基底神经节区域的某些区域的铁地区并对MR图像进行分类。该研究包括60个MRI图像，由40名具有铁区域的受试者和20名健康对照受试者组成。我们进行了高斯平滑，然后根据铁和正常区域构建了每个MR图像的40个局部贴片。灰度合作矩阵（GLCM）特征是从斑块中提取的，并喂入随机森林（RF）分类器，用于基于贴片的铁区域。数据补丁特征的培训是由随机森林分类器进行的，并测量了分类器的性能。实验结果表明，使用随机森林分类器对脑铁图像进行分类的拟议局部贴片方法实现了96.25％的分类精度，可从脑MR序列中识别正常和铁区域。
临床实践中的定性和定量应力灌注心脏磁共振：全面评论
摘要：应力心血管磁共振（CMR）成像是一种验证良好的非侵入性压力测试，可诊断具有比其他常见的功能成像方式相比，具有更高诊断精度的显着冠状动脉疾病（CAD）。对心肌缺血，心脏功能和心肌活力的一站式评估在定性上和定量上已被证明是用于CAD评估的临床实践中的成本效益方法。除了诊断之外，压力CMR还提供了预后信息，并指导冠状动脉血运重建。除了CAD外，还有大量文献表明CMR在其他常见的心血管疾病（CVD）中的诊断性能和预后价值，尤其是冠状动脉微血管功能障碍（CMD）。本综述着重于应力CMR的临床应用，包括应力CMR扫描方法，应力CMR图像的实际解释以及应力CMR的临床实用性，并在可能的心肌缺血的情况下进行CVD。
具有磁共振成像，高级分析和机器学习的精神分裂症的形态学研究
我们对精神分裂症患者进行了形态学分析，并将其与健康对照组进行了比较。我们的分析包括使用公共可用的自动提取工具来评估从结构性磁共振成像（MRI）（MRI）的区域皮质厚度（包括区域内厚度可变性）来表征基于公共可用数据集的精神分裂症相关的群体异常。我们还进行了自动提取的生物标志物与可用的各种患者临床变量之间的相关性分析。最后，我们还介绍了机器学习分析的结果。结果表明，精神分裂症的区域皮质厚度异常。我们观察到患者抑郁症与右侧轨道额叶皮质的平均皮质厚度之间的相关性（RHO = 0.474）。我们评估的领先的机器学习技术是基于区域脑测量值，包括来自岛岛，上级额叶，尾状，钙质沟，钙疗，直肠和自由的中间区域，其灵敏度为92％和74％的敏感性和74％的特定敏感性。这些结果表明，将MRI与自动生物标志物提取的高级分析技术有助于表征精神分裂症患者。
颅内压低的无创诊断测试，用于自发评估磁共振弹性成像作为
穿刺。1 虽然 SIH 患者最常见的表现是直立性头痛，但也可能出现其他非特异性症状，如恶心、颈部疼痛、听力变化、头晕，甚至类似痴呆的行为变化。2 作为 SIH 诊断检查的一部分，脑 MRI 成像可以显示弥漫性硬膜增厚和增强、硬膜下积液、静脉扩张和脑下垂的形态变化。3 然而，多达 20% 的 SIH 患者在脑 MRI 成像上的结果正常。2 此外，脑脊液压力可能会产生误导，因为大多数 SIH 患者的脑脊液开放压力都是正常的。4 诊断延迟的患者发病率可能会增加。5 因此，寻找其他非侵入性测试来诊断 SIH 并准确分诊患者接受脊髓造影术对于这些患者的治疗至关重要。磁共振弹性成像 (MRE) 是一种测量组织机械特性的非侵入性技术。6 在施加外部振动期间，相位对比磁共振成像脉冲序列
贫血对左心室功能的影响和基本高血压患者的变形：心脏磁共振研究
必需高血压（HTN）升级心脏，脑和肾脏事件的风险（1）。2010年，HTN的全球患病率约为14亿，预计到2025年将增加到16亿（2）。htn在全球医疗系统上造成了重大负担，并成为全球心血管疾病（CVD）和总体死亡率的主要修改风险因素（3,4）。贫血影响了全球人口的大约三分之一，导致神经系统发展受损，工作效率降低以及发病率和死亡率提高（5）。贫血减少组织氧递送，引起心血管反应，可能导致损伤，表现为心脏增大，左心室肥大（LVH）和动脉重塑（6）。贫血是HTN患者心血管不良结局的重要危险因素。慢性贫血增加了预紧力，减少后负载并提高心输出量，可能导致适应不良的LVH，这是不良后果和整体死亡率的已知危险因素（7,8）。随着老化的衰老，HTN的发病率上升，使老年患者更容易受到贫血的合并症。尽管这两种情况都可以独立损害心血管系统（6,9,10），但它们的组合可能会恶化心脏功能障碍（11）。尽管它是该人群中死亡率的独立预测指标的重要性（12），但贫血经常被忽视，从而低估了其对心脏健康的影响，尤其是HTN患者的心脏结构和功能。据我们所知，没有研究使用CMR功能跟踪（CMR-FT）技术来研究心脏磁共振（CMR）在心脏病学中对于其独特而错综复杂的成像技术至关重要，通过提供精确测量LV体积和功能，组织表征和疤痕定量，可以进行彻底的评估（13）。CMR对于检测与HTN相关的微妙变化特别有价值，包括使用心肌功能跟踪的早期心肌功能障碍，这可能会彻底改变HTN患者的LV风险评估（14）。多项已发表的研究表明，糖尿病患者，慢性肾脏疾病（CKD）或CVD患者的贫血与LV舒张功能障碍之间存在联系，但发现不一致（15）。
以腰椎穿刺为金标准的增强Flair磁共振成像对脑膜炎的诊断准确性
2019 年 6 月 23 日至 2020 年 3 月 22 日，在 Wah Cantt 第三医院接受脑膜炎检查。材料和方法：通过非概率目的抽样，共纳入 173 名患者。我们的研究纳入了年龄在 2 至 70 岁之间、性别不限且根据临床表现疑似患有脑膜炎的患者。本研究排除了禁用增强 MRI 和腰椎穿刺的患者、确诊为脑膜炎的患者和不同意接受检查的患者。所有患者均以 0.2 毫升/秒的速度接受静脉注射造影剂钆。钆后 T1W 和钆后 FLAIR 图像由顾问放射科医生获取和评估。将发现记录在规定的表格上。对患者进行随访并从实验室收集腰椎穿刺结果。结果：平均年龄为 26.4±23.5 岁，范围从 2 岁至 70 岁。 173 名患者中，98 名（56.6%）为男性，75 名（43.4%）为女性。临床表现如下：喂养不良、易怒和嗜睡 86 人（49.7%），头痛 137 人（79.2%），恶心/呕吐 125 人（72.3%），颈部僵硬 89 人（51.4%），意识水平改变 132 人（76.3%），癫痫发作 78 人（45.1%）和局部神经功能障碍 45 人（26%）。以腰椎穿刺金标准为诊断标准，增强 MRI FLAIR 诊断脑膜炎的灵敏度为 91%，特异性为 85%，PPV 为 87.6%，NPV 为 89.4%，诊断准确率为 88.4%。以腰椎穿刺金标准为标准，增强 MRI T1W 在脑膜炎诊断中的诊断准确率显示敏感性 60.2%、特异性 77.5%、PPV 75.6%、NPV 62.6% 和诊断准确率 68.2%。结论：与增强 T1W 序列相比，增强 FLAIR 序列在检测脑膜增强方面具有更高的敏感性和特异性。因此，对于所有怀疑患有脑膜炎的患者，应将增强 FLAIR 序列作为常规序列添加到 MRI 脑部方案中。
使用优化阈值差异算法和粗糙集从磁共振图像中分割脑肿瘤
摘要 - 本研究提出了一种使用所提出的优化阈值差异 (OTD) 和粗糙集理论 (RST) 自动分割脑肿瘤的有效方法。使用所提出的两级分割算法确定肿瘤区域。第一级，即创建叠加图像，它是初始阶段分割的脑区所有像素的强度平均值。然后是第二级，其中根据指定的阈值在脑区和叠加图像之间应用阈值差异处理。使用灰度共生矩阵 (GLCM) 从分割图像中提取特征。为了提高性能，对提取的特征采用了 RST。使用 Figshare 开放数据集验证了完全自动化的方法。
使用深度学习架构进行性别和年龄脑磁共振成像分类
摘要：在磁共振成像 (MRI) 上使用有效的分类技术有助于正确诊断脑肿瘤。先前的研究主要集中在使用支持向量机 (SVM) 和 AlexNet 等方法对正常 (非肿瘤) 或异常 (肿瘤) 脑 MRI 进行分类。在本文中，深度学习架构用于将脑 MRI 图像分类为正常或异常。性别和年龄被添加为更高级的属性，以实现更准确和更有意义的分类。还提出了一种基于深度学习卷积神经网络 (CNN) 的技术和深度神经网络 (DNN) 进行有效分类。还实施了其他深度学习架构，例如 LeNet、AlexNet、ResNet 和传统方法（例如 SVM）来分析和比较结果。年龄和性别偏见被发现更有用并且在分类中起着关键作用，它们可以被视为脑肿瘤分析中的重要因素。值得注意的是，在大多数情况下，所提出的技术都优于现有的 SVM 和 AlexNet。与 SVM（82%）和 AlexNet（64%）相比，总体准确率分别为 88%（LeNet 启发模型）和 80%（CNN-DNN），最佳准确率分别为 100%、92%、92% 和 81%。