XiaoMi-AI文件搜索系统
World File Search System自动检测
计算机辅助自动检测疼痛相关行为：前景、进展、风险
疼痛通常被描述为一种主观现象；然而，所有的疼痛评估都将体验简化为可观察的事物，具有优点和局限性。大多数关于疼痛的证据都来自对疼痛相关行为的观察。在阐明疼痛行为指数的属性方面已经取得了相当大的进展；尤其是基于面部表情的行为指数，但并非仅限于此。大量文献表明，有限的面部动作子集（在几种非人类物种中都有同源物）编码了整个生命周期的疼痛强度。不幸的是，在许多情况下，获取此类指标仍然非常不切实际，因为它需要训练有素的人类观察员，而且很费力。情感计算领域的出现将计算机视觉和机器学习 (CVML) 技术应用于行为识别，这带来了一种前景，即先进技术可能会克服限制临床和研究环境中行为疼痛评估的一些限制。研究表明，通过 CVML，确实有可能开发跟踪疼痛面部表情的系统。从那时起，大量研究测试了自动疼痛评估的模型。最近，研究人员探索了多模态疼痛相关行为测量的可行性。一些商业产品声称能够自动、实时地测量疼痛表达。尽管取得了一些进展，但该领域仍处于起步阶段，存在过度承诺其所能实现的目标的风险。如果在制定有效测量方法和对可识别人群进行适当概括时没有充分遵循传统原则，则可能导致科学上可疑和临床上有风险的主张。特别需要开发包含可能发生或不发生疼痛的各种环境中的样本的数据库，这些样本应根据允许共享的标准进行细致注释，并遵守国际隐私标准。研究人员和用户需要对技术的局限性（例如，可能具体化与疼痛评估无关的偏见）及其潜在的社会影响保持敏感。
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
使用深度神经网络自动检测脑 MRI 图像中的脑肿瘤
快速诊断脑肿瘤对于实施这种疾病的治疗是必要的。在本研究中，使用基于 ResNet 架构的网络对 MRI 图像中的脑肿瘤进行分类。癌症图像档案数据库中可用的 MRI 图像包括 159 名患者。首先，使用两个称为中值滤波器和高斯滤波器来改善图像质量。还使用边缘检测算子来识别图像的边缘。其次，首先使用数据库的原始图像训练所提出的网络，然后用高斯滤波和中值滤波图像训练。最后，使用准确度、特异性和敏感性标准来评估结果。本研究中提出的方法对原始图像、高斯滤波图像和中值滤波图像的准确率分别为 87.21%、90.35% 和 93.86%。此外，计算出的原始图像的灵敏度和特异性分别为 82.3% 和 84.3%。高斯滤波和中值滤波图像的灵敏度分别为 90.8% 和 91.57%，特异性分别为 93.01% 和 93.36%。总之，应研究预处理阶段的图像处理方法，以提高深度学习网络的性能。
使用基于递归图的特征提取和迁移学习自动检测癫痫脑电信号
* 通讯作者：sachin.viet@gmail.com，电话：+91-9268793832 摘要 - “癫痫”是一种常见的神经系统大脑疾病，会影响人类生命的任何阶段。全世界约有 1-2% 的人口受到这种主要慢性疾病的影响。在癫痫诊断的几种应用中，脑电图 (EEG) 信号是早期发现癫痫发作的最重要工具。根据癫痫发作，脑电图 (EEG) 信号可分为癫痫性和非癫痫性。最近的研究主要通过两种方法进行了预测和分析癫痫发作的各种可能性：使用信号处理的传统方法和基于深度学习的方法。因此，需要找到一种合适且可靠的方法来检测和分类 EEG 信号中的癫痫发作。由于 EEG 信号本质上非常随机且非线性，因此我们需要一种非线性技术来检查 EEG 信号，从而能够对不同的 EEG 信号（即癫痫信号和非癫痫信号）进行分类。在我们的论文中，我们提出了一种非线性技术，使用递归量化分析方法（缩写为 RQA）来提取 EEG 信号的特征，其参数来自递归图 (RP)。在分析和分类时间序列时，大多数时候会从 EEG 时间序列中提取一些已识别的统计特征集，并将其作为机器学习分类器的输入。我们提出的方法找到了一种使用深度神经网络 (DNN) 对 EEG 信号时间序列进行分类的新颖且合适的方法。因此，使用递归图将 EEG 信号转换为 RGB 图像。我们使用预训练的 DNN 作为 ResNet-50，这是一个深度为 50 层的卷积神经网络，用于从递归图中提取特征。然后我们使用多个机器学习分类器将信号分类为癫痫和非癫痫，并指出 SVM 的准确率最高。本研究论文表明，可以使用深度学习算法通过脑电图信号利用复发图诊断癫痫，这种算法通常用于图像分类挑战。关键词-癫痫；脑电图信号；复发图；深度神经网络；成像时间序列数据 1. 简介大脑是人体的重要器官，负责监测和控制代谢过程。癫痫、缺血性中风和脑肿瘤等脑部疾病可能会损害正常的生物功能 [1]。神经系统疾病影响从婴儿到老年人的所有年龄段的人。这些疾病有几种形式，癫痫在受其影响的人数最多方面位居第四
使用多通道卷积和循环神经网络自动检测患者间的癫痫发作
我们提出了一种端到端深度学习模型，可以自动检测多通道脑电图 (EEG) 记录中的癫痫发作。我们的模型结合了卷积神经网络 (CNN) 和双向长短期记忆 (BLSTM) 网络，使用少量可训练参数有效地从 EEG 数据中挖掘信息。具体来说，CNN 会为原始多通道 EEG 数据的每个一秒窗口学习一个潜在编码。同时，BLSTM 会根据 CNN 编码学习癫痫发作表现的时间演变。这些架构的组合使我们的模型能够捕获指示癫痫发作活动的短时间尺度 EEG 特征以及癫痫发作表现中的长期相关性。与大多数先前的癫痫发作检测工作不同，我们通过留一患者交叉验证程序模拟住院监测环境，在所有患者中达到 0.91 的平均癫痫发作检测灵敏度。该策略验证了我们的模型可以推广到新患者。我们证明我们的 CNN-BLSTM 优于传统的特征提取方法和依赖于更大、更复杂的网络架构的最先进的深度学习方法。
使用深度卷积神经网络自动检测局灶性皮质发育不良
局灶性皮质发育不良（FCD）是皮质发育畸形，可能由皮质结构或细胞学异常引起 Kabat 和 Król (2012) 。它是儿童癫痫的首要病因，也是成人癫痫的第三大病因 Lerner 等 (2009) 。磁共振成像（MRI）被广泛用于识别 FCD，因为它可以提供高对比度和分辨率的软组织图像。图 1 显示了三张 T1 加权 MRI 图像（即一张健康图像和两张 FCD 图像）。图 1 (b) 和 (c) 中红色矩形框包围的区域显示了 FCD 的两个典型 MRI 特征：灰质 (GM) -白质 (WM) 边界模糊和皮质增厚。由于 FCD 病变的细微性和脑解剖结构的复杂性，即使对于经验丰富的专家来说，在 MRI 图像上手动识别 FCD 病变也是一项耗时且主观的任务 Rajan et al. (2009) 。在 MRI 图像中，多种组织类型（例如 GM、WM、脑脊液 (CSF)）会影响体素/像素强度，这被称为部分容积效应，
基于零化器的细分中指数多项式空间自动检测策略
指数多项式在细分中对于重建特定曲线和曲面系列（例如圆锥曲线和二次曲面）至关重要。众所周知，如果线性细分方案能够重现某个指数多项式空间，那么它一定是级别相关的，其规则取决于定义所考虑空间的频率（以及最终的多重性）。本文讨论了一种通用策略，该策略利用湮灭算子直接从给定数据中局部检测这些频率，从而选择要应用的正确细分规则。这是构建自适应细分方案的第一步，该方案能够局部重现属于不同空间的指数多项式。本文在一个涉及经典蝴蝶插值方案的例子中明确展示了所提策略的应用。这个特定的例子是对 Donat 和 L´opez-Ure˜na (2019) 中针对单变量情况所做工作的概括，这启发了这项研究。
使用 GPT 嵌入优化自然语言处理方法以自动检测阿尔茨海默病
摘要：开发非侵入性且经济有效的阿尔茨海默病 (AD) 检测方法对于早期预防和缓解该病至关重要。我们通过使用音频增强技术和新颖的转录方法来优化使用自然语言处理 (NLP) 对自发语音的 AD 检测。具体来说，我们利用 Boll 谱减法来提高音频保真度，并使用最先进的 AI 服务（基于本地的 Wav2Vec 和 Whisper，以及基于云的 IBM Cloud 和 Rev AI）创建转录，并评估它们与传统手动转录方法的性能。然后使用基于 GPT 的转录嵌入对支持向量机 (SVM) 分类器进行训练和测试。我们的研究结果表明，基于 AI 的转录大大优于传统的手动转录，其中 Wav2Vec（增强音频）在本地系统中实现了最佳准确度和 F-1 分数（两个指标均为 0.99），而 Rev AI（标准音频）在基于云的系统中表现最佳（两个指标均为 0.96）。此外，除了音频增强的微小影响外，这项研究还揭示了采访者讲话对模型性能的不利影响。根据我们的研究结果，当前的 AI 转录和 NLP 技术在利用现有数据准确检测 AD 方面非常有效，但由于缺乏训练数据，难以对可能的 AD 和轻度认知障碍 (MCI)（AD 的前驱阶段）进行分类，为未来实施自动 AD 检测系统奠定了基础。
使用人工智能 (AI) 深度卷积神经网络自动检测肺癌：叙述性文献综述
共计 648 篇文章由两位在肺部重症监护和医院医学领域拥有 10 多年经验的资深医生挑选出来。用于搜索和挑选文章的数据库是 PubMed/MEDLINE、EMBASE、Cochrane 图书馆、Google Scholar、Web of science、IEEEXplore 和 DBLP。所选文章的年份范围为 2008 年至 2019 年之间。从 648 篇文章中挑选出 4 篇，纳入标准如下：1) 18-65 岁，2) CT 胸部扫描，2) 肺结节，3) 肺癌，3) 深度学习，4) 集成和 5) 经典方法。本叙述性评论中使用的排除标准包括：1) 年龄超过 65 岁，2) 正电子发射断层扫描 (PET) 混合扫描，3) 胸部 X 光 (CXR) 和 4) 基因组学。模型性能结果指标通过敏感性、特异性、准确性、受试者工作特征 (ROC) 曲线和曲线下面积 (AUC) 进行测量和评估。
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。