XiaoMi-AI文件搜索系统
World File Search System自动检测
使用机器学习方法自动检测嗜睡
摘要。如今，交通事故的数量稳步增加。这些事故的主要原因是由于饮酒和驾驶员疲劳而导致的驾驶受损。主要目标是创建一个能够测量驾驶员嗜睡程度的系统。如果确定了嗜睡，则将通过与警报警告系统和文本消息系统集成来发出警告。嗜睡检测是使用OpenCV，Python和机器学习构建的。在研究中利用了大量的注释驱动器图像以及各种驾驶场景和照明条件的图像，以增强数据集。用于检测驱动器嗜睡的系统提供了一种可行的方法，可以避免因驾驶员疲倦而导致的汽车事故。它检查驾驶员的眼睛并在必要时提醒他们。进一步的改进可以通过最大程度地减少虚假警告数量来提高警报系统的准确性。
使用氨基酸 PET 自动检测和分割脑肿瘤以评估治疗反应
1 德国于利希 Forschungszentrum Juelich GmbH 神经科学与医学研究所；2 德国亚琛工业大学，亚琛，德国；3 德国亚琛应用技术大学医学工程与技术数学；4 德国科隆大学医学院和科隆大学医院立体定向和功能性神经外科系；5 德国科隆大学医学院和科隆大学医院神经病学系；6 德国亚琛 JARA-BRAIN-转化医学；7 德国亚琛工业大学医院神经病学系；8 德国亚琛工业大学医院核医学系；9 德国亚琛大学、波恩大学、科隆大学和杜塞尔多夫大学综合肿瘤学中心； 10 德国海德堡亥姆霍兹成像公司应用计算机视觉实验室；11 德国海德堡德国癌症研究中心医学图像计算部
使用生成的对抗网络将头皮映射到颅内脑电图中，以自动检测中间的癫痫样放电
摘要 - 头皮和颅内脑电图（EEG）对于诊断脑部疾病至关重要。但是，头皮脑电图（seeg）被头骨衰减并被伪像污染。同时，颅内脑电图（IEEG）几乎没有文物，并且可以捕获所有大脑活动，而无需任何衰减，因为靠近大脑。在这项研究中，目的是通过将SEEG映射到IEEG来提高SEEG的性能。为此，我们在这里使用生成的对抗网络开发了一个深神经网络，以估算IEEG的SEEG。所提出的方法适用于Seeg和IEEG，并从癫痫发作中同时记录以检测间隔癫痫样放电（IEDS）。所提出的方法检测IEDS的精度为76％的IED，并以最先进的方法为止。此外，它至少比比较方法少十二倍。
从头部CT扫描中对颅内出血的自动检测，在创伤性脑损伤中应用深度学习技术：比较审查
抽象的脑损伤（TBI）不仅是急性疾病，而且是长期后果的慢性疾病。颅内血肿被认为是INTBI发生的主要后果，并可能具有毁灭性的作用，可能会导致大脑质量影响，并最终导致继发性脑损伤。在计算机断层扫描（CT）扫描中对血肿的紧急检测以及三个主要决定因素的评估，即位置，体积和大小至关重要任务。本文对医学和技术文献进行了比较回顾，以更新和建立证据，以表明如何正确利用技术来提高紧急情况下临床工作流量的效率。从2013年至2023年在PubMed和Google Scholar的电子数据库中进行了系统和全面的文献搜索，以确定与颅内出血（ICH）自动检测有关的研究。纳入和排除标准被设定为最相关的文章。我们确定了15项有关使用头部CTSCAN的计算机辅助筛选和分析算法的开发和验证的研究。我们的审查表明，AI算法可以优先考虑放射学工作列表，以减少在头部扫描中筛选ICH的时间，并且还可以识别放射学家所忽略的微妙ICH，并且自动化ICH检测工具将有望在常规临床实践中引入介绍。
使用进化量子启发水平集技术自动检测 MRI 脑肿瘤的新型医学分析框架
摘要：准确分割 3D 磁共振成像 (3D-MRI) 中的脑肿瘤对于简化诊断和治疗过程至关重要。在基于能量函数理论的图像分割和分析方法领域，水平集方法已成为一种有效的计算方法，极大地促进了几何活动轮廓模型的发展。使用水平集技术时，减少分割误差和所需迭代次数的一个重要因素是初始轮廓点的选择，这两者在处理脑肿瘤可能具有的各种大小、形状和结构时都很重要。为了定义速度函数，传统方法仅使用图像梯度、边缘强度和区域强度。本文提出了一种受量子启发蜻蜓算法 (QDA) 影响的聚类方法，QDA 是一种受蜻蜓群居行为启发的元启发式优化器，用于准确提取初始轮廓点。所提出的模型采用量子启发计算范式来稳定开发和探索之间的权衡，从而弥补传统基于 DA 的聚类方法的任何缺点，例如收敛速度慢或陷入局部最优。首先，可以使用量子旋转门概念将代理群重新定位到可以更好地实现最优值的位置。然后，通过采用突变程序来增强群体突变并实现其多样性，使主要技术具有强大的局部搜索能力。在将颅骨与大脑分离的初步阶段之后，在 QDA 的帮助下确定肿瘤轮廓（边缘）。MRI 系列的初始轮廓将从这些提取的边缘得出。最后一步是使用水平集分割技术在所有体积段中隔离肿瘤区域。当应用于 BraTS 2019 数据集中的 3D-MRI 图像时，所提出的技术优于最先进的脑肿瘤分割方法，如所获得的结果所示。
通过准共形几何和卷积神经网络自动检测和注册大脑皮层表面标志
在医学成像中，表面配准被广泛用于对解剖结构进行系统比较，一个典型的例子是高度复杂的大脑皮层表面。为了获得有意义的配准，一种常见的方法是识别表面上的突出特征，并在它们之间建立低失真映射，将特征对应关系编码为界标约束。之前的配准工作主要集中在使用手动标记的界标和解决高度非线性的优化问题，这非常耗时，因此阻碍了实际应用。在这项工作中，我们提出了一种使用准共形几何和卷积神经网络自动检测和配准大脑皮层表面界标的新框架。我们首先开发了一个界标检测网络 (LD-Net)，该网络允许根据表面几何形状在给定两个规定的起点和终点的情况下自动提取界标曲线。然后，我们利用检测到的界标和准共形理论实现表面配准。具体来说，我们开发了一个系数预测网络 (CP-Net)，用于预测与所需基于地标的配准相关的 Beltrami 系数，以及一个名为磁盘 Beltrami 求解器网络 (DBS-Net) 的映射网络，用于从预测的 Beltrami 系数生成准共形映射，其中双射性由准共形理论保证。实验结果证明了我们提出的框架的有效性。总之，我们的工作为基于表面的形态测量和医学形状分析开辟了新途径。
TNTdetect.AI：一种用于自动检测和计数显微镜图像中的隧道纳米管的深度学习模型
1 圣何塞州立大学信息系统与技术学院，美国加利福尼亚州圣何塞 95192 2 韩国科学技术院管理信息系统系，韩国大田 34141 3 伊尔迪兹技术大学电子与通信工程系，土耳其伊斯坦布尔 34349 4 明尼苏达大学医学院血液学、肿瘤学和移植医学系，美国明尼苏达州明尼阿波利斯 55455 5 斯坦福大学医学院神经病学和神经科学系，美国加利福尼亚州斯坦福 94305 6 斯坦福大学医学院精准健康和综合诊断中心，美国加利福尼亚州斯坦福 94305 7 明尼苏达大学信息学研究所，美国明尼苏达州明尼阿波利斯 55455 8 共济会癌症中心，美国明尼苏达州明尼阿波利斯 55455 9 MD 安德森癌症中心神经肿瘤学系德克萨斯大学系统中心，美国德克萨斯州休斯顿 77030 10 神经科学研究生项目，MD 安德森 UTHealth 生物医学科学研究生院，美国德克萨斯州休斯顿 77030 11 癌症生物学研究生项目，MD 安德森 UTHealth 生物医学科学研究生院，美国德克萨斯州休斯顿 77030 * 通信地址：emil-lou@umn.edu (EL)；cbpatel@mdanderson.org (CBP)；电话：+1-612-625-9604 (EL)；+1-713-792-0778 (CBP)；传真：612-625-6919 (EL)；713-745-0387 (CBP) † 这些作者对本文的贡献相同。 ‡ 这些作者对本文的贡献相同。
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
使用机器学习算法自动检测和分析硬膜下血肿
目的机器学习算法在神经影像学领域已显示出突破性成果。本文，作者评估了一种新开发的卷积神经网络 (CNN) 的性能，用于检测和量化非造影头部 CT (NCHCT) 中硬膜下血肿 (SDH) 的厚度、体积和中线移位 (MLS)。方法回顾性地确定了 2018 年 7 月至 2021 年 4 月期间在单个机构进行的用于评估连续患者头部创伤的 NCHCT 研究。根据神经放射学报告确定了 SDH、厚度和 MLS 的真实值。主要结果是 CNN 在外部验证集中检测 SDH 的性能，使用受试者工作特征曲线下面积分析来衡量。次要结果包括厚度、体积和 MLS 的准确性。结果 在符合研究标准的 263 例有效 NCHCT 病例中，135 例患者（51%）为男性，平均（± 标准差）年龄为 61 ± 23 岁，70 例患者经神经放射科医生评估诊断为 SDH。SDH 厚度中位数为 11 毫米（IQR 6 毫米），16 例患者的 MLS 中位数为 5 毫米（IQR 2.25 毫米）。在独立数据集中，CNN 表现良好，敏感度为 91.4%（95% CI 82.3%–96.8%），特异度为 96.4%（95% CI 92.7%–98.5%），准确度为 95.1%（95% CI 91.7%–97.3%）；对于 SDH 厚度超过 10 毫米的亚组，敏感度为 100%。最大厚度平均绝对误差为 2.75 毫米（95% CI 2.14–3.37 毫米），而 MLS 平均绝对误差为 0.93 毫米（95% CI 0.55–1.31 毫米）。计算用于确定自动和手动分割测量之间一致性的 Pearson 相关系数为 0.97（95% CI 0.96–0.98）。结论所述 Viz.ai SDH CNN 在独立验证成像数据集中识别和量化 SDH 的关键特征方面表现非常出色。
深卷卷神经网络基于脑肿瘤的自动检测
摘要 - 深度卷积神经网络（DCNN）已被广泛研究以在生物医学图像处理领域进行不同类型的检测和分类。其中许多产生的结果与放射科医生和神经病学家相比，与之相当甚至更好。但是，从此类DCNN中获得良好结果的挑战是大型数据集的要求。在本研究中，本研究介绍了一种独特的基于单模型的方法，用于对小数据集进行分类。使用了一个称为regnety-3.2g的修改后的DCNN，与正则化掉落和下降块集成在一起，以防止过度拟合。此外，一种改进的增强技术称为randaugment来减轻小数据集的问题。最后，MWNL（多加权的新损失）方法和端到端CLS（累积学习策略）用于解决样本规模不平等的问题，分类中的复杂性以及降低样本对培训的影响。索引术语 - 脑部肿瘤，深度学习，机器学习，数据增强，卷积神经网络，MRI