XiaoMi-AI文件搜索系统
World File Search System组织变形
人类大脑粘弹性特性的标准空间图谱
图 1 MRE 成像和分析程序概述。第一步，通过气动驱动系统（Resoundant；明尼苏达州罗切斯特）将 50 Hz 的剪切波引入大脑。使用嵌入在 MRE 螺旋序列中的运动编码梯度捕获由此产生的组织变形，并沿三个独立轴（前 - 后、右 - 左和上 - 下）捕获位移数据。位移数据连同二元脑掩模一起提供给非线性算法，该算法将组织建模为异质粘弹性材料。子区域优化程序用于迭代更新有限元计算模型中的属性描述，以最小化模型位移和测量位移数据之间的差异。最后，将复杂剪切模量图转换为剪切刚度 μ = 2 j G * j 2/( G ' + j G * j ) 和阻尼比 ξ = G 00 /2 G 0 。提供特定主题的 T1 加权 MPRAGE 和 MRE T2 幅度图像，以说明空间标准化程序所需的图像
具有质量效应的儿童脑肿瘤图像合成
在过去的几年中，基于深度学习的技术在医学图像处理领域取得了很大进展，例如分割和配准。这些方法的主要特点是对医学图像进行模型训练的需求量很大。然而，由于成本高昂和道德问题，获取这些数据通常很困难。因此，缺乏数据可能导致性能不佳和过度拟合。为了解决这个问题，我们在本文中提出了一种数据增强算法，用于在健康儿童脑 MRI 图像上修复肿瘤以模拟病理图像。由于肿瘤的生长可能导致周围组织变形和水肿（这被称为“质量效应”），因此使用概率 UNet 来模拟这种变形场。然后，不是直接将肿瘤添加到图像中，而是使用基于 GAN 的方法将蒙版转移到图像上，使其在视觉和解剖学上都更合理。同时，通过将变形场应用于原始标签，还可以获得不同脑组织的注释。最后，将合成图像与真实数据集一起进行训练以进行肿瘤分割任务，结果表明准确度有统计上的提高。
Physgnn：一种基于物理驱动的图形神经网络模型，用于预测图像指导神经外科手术中的软组织变形
正确捕获图像引导的神经外科术中的术中大脑移位是将术前数据与术中几何形状对准数据的关键任务，以确保准确的手术导航。虽然有限元方法（FEM）是一种经过验证的技术，可以通过生物力学制剂有效地近似软组织变形，但其成功程度归结为准确性和速度之间的权衡。为了解决这个问题，该领域中的最新作品提出了通过培训各种机器学习算法获得的数据驱动模型（例如，随机森林，人工神经网络（ANN）），并通过有限元分析（FEA）的结果来加快预测的速度。但是，这些方法在训练过程中没有说明有限元（Fe）网格的结构，以提供有关节点连接性的信息以及它们之间的距离，这可以帮助基于与其他网状节点的强力负载点的接近近似组织变形。因此，这项工作提出了一个新颖的框架Physgnn，该模型是通过利用图形神经网络（GNN）来近似于FEM解决方案的模型，该模型能够考虑到网格结构信息，并在未结构化的网格和复杂的拓扑结构上考虑网格结构信息和归纳性学习。从经验上讲，我们证明了所提出的体系结构有望准确且快速的软组织变形近似，并且与最新的ART（SOTA）算法具有竞争力，同时有望增强计算可行性，因此适用于神经外科设置。
心肌应变成像
术语应变表示力下的尺寸或变形变化。在超声心动图中使用时，“应变”一词用于描述通过心脏周期缩短，增厚和延长心肌的大小。最常见的心肌应变度量是长轴中左心室（LV）的变形，称为全局纵向应变（GLS）。应变是组织变形（L – L0）/L0的无量纲度量，其中L是最终长度，L0是原始长度；正值表示延长，负值表示缩短。[1]在收缩期间，心室心肌纤维从底部到顶点的运动缩短。gls用作全局LV函数的度量，并为每个LV段提供了定量的心肌变形分析。心肌菌株成像旨在检测保留的LV射血分数（LVEF）患者的左心室功能的亚临床变化，从而可以尽早发现收缩功能障碍。由于应变成像可以比标准方法更早地识别LV功能障碍，因此在患者患有症状和不可逆的心肌功能障碍之前，这会提高预防心力衰竭的可能性和原发性预防。斑点跟踪超声心动图（Ste）的潜在应用是冠状动脉疾病，缺血性心肌病，瓣膜心脏病，扩张心肌病，肥厚性心肌病，应激性心肌疗法，心肌性心肌病和化学疗法相关的心脏毒素相关性。
阿尔茨海默病的深度学习：绘制大规模组织学 tau 蛋白图谱以进行神经影像生物标志物验证
异常的 tau 内含物是阿尔茨海默病的标志，也是临床衰退的预测指标。有几种 tau PET 示踪剂可用于神经退行性疾病研究，为体内分子诊断开辟了途径。然而，很少有人获准用于临床。了解 PET 信号验证的神经生物学基础仍然存在问题，因为它需要 PET 和（免疫）组织学信号之间大规模的体素到体素相关性。整个人脑的维度很大，组织变形会影响配准，而处理 TB 级信息的计算要求阻碍了正确的验证。我们开发了一个计算管道，用于识别和分割十亿像素数字病理图像中的感兴趣粒子，以生成定量的 3D 密度图。针对免疫组织化学样本的拟议卷积神经网络 IHCNet 是该管道的核心。我们已成功使用三种磷酸化 tau 抗体（AT100、AT8 和 MC1）处理并免疫染色了来自两个完整人脑的 500 多张载玻片，这些载玻片包含数 TB 的图像。我们的人工神经网络从大脑图像中估计了 tau 的包含情况，其对 AT100、AT8 和 MC1 的 ROC AUC 分别为 0.87、0.85 和 0.91。自省研究进一步评估了我们训练的模型学习 tau 相关特征的能力。我们提出了一种端到端流程来创建 TB 级的 3D tau 包含密度图，并将其与 MRI 联合配准，以方便验证 PET 示踪剂。
深度学习治疗阿尔茨海默病
异常的 tau 内含物是阿尔茨海默病的标志，也是临床衰退的预测指标。有几种 tau PET 示踪剂可用于神经退行性疾病研究，为体内分子诊断开辟了途径。然而，很少有人获准用于临床。了解 PET 信号验证的神经生物学基础仍然存在问题，因为它需要 PET 和（免疫）组织学信号之间大规模的体素到体素相关性。整个人脑的维度很大，组织变形会影响配准，而处理 TB 级信息的计算要求阻碍了正确的验证。我们开发了一个计算管道，用于识别和分割十亿像素数字病理图像中的感兴趣粒子，以生成定量的 3D 密度图。针对免疫组织化学样本的拟议卷积神经网络 IHCNet 是该管道的核心。我们已成功使用三种磷酸化 tau 抗体（AT100、AT8 和 MC1）处理并免疫染色了来自两个完整人脑的 500 多张载玻片，这些载玻片包含数 TB 的图像。我们的人工神经网络从大脑图像中估计了 tau 的包含情况，其对 AT100、AT8 和 MC1 的 ROC AUC 分别为 0.87、0.85 和 0.91。自省研究进一步评估了我们训练的模型学习 tau 相关特征的能力。我们提出了一种端到端流程来创建 TB 级的 3D tau 包含密度图，并将其与 MRI 联合配准，以方便验证 PET 示踪剂。