XiaoMi-AI文件搜索系统
World File Search System计算机断层扫描
基于虚拟计算机断层扫描系统
摘要。本文介绍了一种估算从重建的CT图像本身的诊断能量范围内计算机断层扫描（CT）的X射线能谱的方法。为此，开发了一个虚拟CT系统，并生成了由相应能量光谱标记的γ幻影的CT图像。使用这些数据集，对人工神经网络（ANN）模型进行了训练，从而从伽马克式插入物中的CT值重现了能量谱。在实际应用中，在虚拟CT系统中使用了基于铝的弓形滤波器，并且还开发了带有弓箭滤波器的ANN模型。没有/带有弓形滤波器的ANN模型都可以估计协议中的X射线频谱，该X射线频谱被定义为减去绝对误差，平均超过80％。 协议随着管电压的增加而增加。 当CT图像上的噪声量相当大时，估计偶尔会不准确。 的图像质量具有超过10的信号噪声比，对于γ幻影的基本材料，需要准确预测光谱。 基于从Acivion16（日本佳能医疗系统）获得的实验数据，带有弓形滤波器的ANN模型通过同时优化弓箭滤网的形状，从而产生了合理的能量谱。没有/带有弓形滤波器的ANN模型都可以估计协议中的X射线频谱，该X射线频谱被定义为减去绝对误差，平均超过80％。协议随着管电压的增加而增加。当CT图像上的噪声量相当大时，估计偶尔会不准确。的图像质量具有超过10的信号噪声比，对于γ幻影的基本材料，需要准确预测光谱。基于从Acivion16（日本佳能医疗系统）获得的实验数据，带有弓形滤波器的ANN模型通过同时优化弓箭滤网的形状，从而产生了合理的能量谱。目前的方法仅需要用于伽马克式幻影的CT图像，并且没有特殊的设置，因此预计它将很容易应用于临床应用中，例如梁硬化减少，CT剂量管理和材料分解，所有这些都需要有关X射线能量频谱的精确信息。
增强双能计算机断层扫描的定量参数，用于区分肺癌与固体肺结节中的良性病变
Results: The independent factors for differentiating lung cancers from benign solid pulmonary nodules included diameter, Lung-RADS categorization of diameter, volume, Zeff in arterial phase (Zeff_A), IC in arterial phase (IC_A), NIC in arterial phase (NIC_A), Zeff in venous phase (Zeff_V), IC in venous phase (IC_V), and NIC in venous phase （NIC_V）（全p <0.05）。由直径和NIC_V组成的IC_V，NIC_V和组合模型表现出良好的诊断性能，AUC为0.891、0.888和0.893，它们优于直径，直径，直径，体积，体积，Zeff_a和Zeff_A和Zeff_V（Zeff_A和Zeff_V（所有p <0.001））的直径分类。IC_V，NIC_V和组合模型的灵敏度高于IC_A和NIC_A的灵敏度（全部p <0.001）。与IC_V（P = 0.869）或NIC_V（P = 0.633）相比，组合模型没有增加AUC。
计算机断层扫描 (CT)
与所有 X 射线一样，体内致密结构（如骨骼）易于成像，而软组织对 X 射线的阻挡能力各不相同，因此可能较暗或难以看见。因此，已开发出在 X 射线或 CT 扫描中清晰可见且可安全用于患者的造影剂。造影剂含有可阻挡 X 射线的物质，因此在 X 射线图像上更清晰可见。例如，为了检查循环系统，需要将以碘为基础的静脉 (IV) 造影剂注入血液以帮助照亮血管。这种类型的检查用于寻找血管（包括心脏血管）中的可能阻塞物。口服造影剂（如钡基化合物）用于对消化系统（包括食道、胃和胃肠道 (GI)）进行成像。
引用：Fletcher‑Sandersjöö A、Tatter C、Yang L 等。轻度脑外伤后计算机断层扫描病变检测的斯德哥尔摩评分
摘要 简介 轻度创伤性脑损伤 (mTBI) 是急诊科 (ED) 就诊的最常见原因之一。一部分 mTBI 患者会出现颅内病变，可能需要医疗或手术干预。对于这些患者，快速诊断和治疗至关重要。已制定了多项指南来帮助指导 mTBI 患者进行头部 CT 扫描，但这些指南缺乏特异性，没有考虑风险因素之间的相互作用，也没有提供个体化的颅内病变风险评估。本研究的目的是建立一个模型，用于评估到急诊科就诊的 mTBI 患者的个体化颅内病变风险。 方法与分析 这将是一项回顾性队列研究，在瑞典斯德哥尔摩的急诊科医院进行。符合条件的患者是受伤后 24 小时内到急诊科就诊并进行了 CT 扫描的 mTBI 成年人 (≥15 岁)。主要结果是头部 CT 上的创伤性病变。次要结果将是任何具有临床意义的病变，定义为导致神经外科干预、因 TBI 住院 ≥48 小时或因 TBI 死亡的颅内发现。机器学习模型将用于创建预测主要和次要结果的分数。估计将包括 20 000 名患者。伦理与传播 该研究已获得瑞典伦理审查局 (Dnr: 2020- 05728) 的批准。研究结果将通过同行评审的科学出版物和国际会议演讲进行传播。试验注册号 NCT04995068。
振动光谱法用于创伤性脑损伤分类计算机断层扫描优先级和住院治疗
摘要 计算机断层扫描 (CT) 脑成像通常用于支持创伤性脑损伤 (TBI) 患者的临床决策。然而，只有 7% 的扫描显示 TBI 的证据。其余 93% 的扫描会给医疗保健系统带来巨大的成本，并给患者带来辐射风险。可能有更好的策略来确定哪些患者，特别是轻度 TBI 患者，有病情恶化的风险并需要住院治疗。我们引入了一种血清液体活检，该活检利用衰减全反射 (ATR)-傅里叶变换红外 (FTIR) 光谱和机器学习算法作为决策工具，以确定哪些轻度 TBI 患者最有可能出现阳性 CT 扫描。血清样本来自获得 TBI 并参加 CENTER-TBI 的患者 (n = 298) 和无症状对照患者 (n = 87)。将受伤患者（所有严重程度）与无受伤对照组进行分层。对轻度 TBI 患者群进行进一步检查，将至少有一处 CT 异常的患者与无 CT 异常的患者进行分层。该测试在对轻度受伤患者与无受伤对照组进行分类时表现异常出色（敏感性 = 96.4%，特异性 = 98.0%），并且在对至少有一处 CT 异常的轻度患者与无 CT 异常的患者进行分层时也提供了 80.2% 的敏感性。所提供的结果表明，该测试能够识别五分之四的 CT 异常，并显示出作为轻度 TBI 患者 CT 优先分类工具的巨大潜力。
经颅光声计算机断层扫描...
图 2 | 运动任务的 fPACT 和 7 T fMRI 结果。对右侧 FT（a：fMRI，b：左半球无颅骨 fPACT）、左侧 FT（c：fMRI，d：右半球颅骨完整 fPACT）和 TT（e：fMRI — 左图显示大脑左侧，f：左半球无颅骨 fPACT，g：fMRI — 左图显示大脑右侧，h：右半球颅骨完整 fPACT）的功能反应进行了成像。皮质上显示的功能反应（左栏）代表反应的最大振幅投影。功能反应也显示在通过激活的轴向（中间栏）和冠状（右栏）切片上。对于 FT（ad），我们选择相同的轴向和冠状切片显示在所有四张图像中。对于左侧无颅骨侧的 TT（e、f），我们选择彼此相距 5 毫米以内的切片。对于右侧颅骨完整侧的 TT（g、h），我们选择相同的轴向和冠状切片。但这些激活在空间上并不重叠。在每个功能图中，我们显示了以最大 t 值（𝑡𝑚𝑎𝑥）的 70% 为阈值的区域，这些区域列为每个皮质图下方的第一个值。皮质图下方显示了对应于最大 t 值的 70% 的 p 值（一元学生 t 检验）。白色箭头表示 fPACT 中的激活区域。比例尺：2 厘米。
选择性血管造影平板探测器计算机断层扫描血容量成像在富血管颅内肿瘤术前血管映射和栓塞中的初步临床经验
摘要：可对富血管颅内肿瘤进行术前栓塞以减少切除期间的出血并发症。准确的肿瘤血管映射对于正确设定栓塞指征和评估所进行的栓塞都是必要的。我们前瞻性地研究了全脑和选择性实质血容量 (PBV) 平板探测器计算机断层扫描灌注 (FD CTP) 成像在富血管颅内肿瘤患者术前血管造影和栓塞中的作用。对 5 名转诊进行肿瘤切除的患者进行了全脑 FD CTP 成像，从主动脉根部注射造影剂并在硬脑膜供血动脉中选择性注射造影剂。在栓塞前后获得了区域相对 PBV 值。还确定了具有选择性颈外动脉 (ECA) 供应量的肿瘤总体积和栓塞后断血管的肿瘤体积。所有患者（包括四名女性和一名男性）的平均年龄为 54.2 岁（范围为 44-64 岁），均在进行 PBV 扫描时未发生不良事件。平均 ECA 供应量为 54%（范围为 31.5-91%）。平均栓塞肿瘤体积为 56.5%（范围为 25-94%）。相对 PBV 值从栓塞前的 5.75 ± 1.55 降至栓塞后的 2.43 ± 1.70。在一名患者中，由于认为栓塞不利于切除而未进行栓塞。脑肿瘤的血管造影 FD CTP 成像可以对单个肿瘤供血动脉进行 3D 识别和量化。此外，该技术还可以监测术前血管内肿瘤栓塞的疗效。
人工智能（增强型超分辨率生成对抗网络）用于冠状动脉计算机断层扫描血管造影中的钙化消散：可行性研究
摘要：背景：冠状动脉中存在严重钙化始终对冠状动脉计算机断层扫描血管造影 (CCTA) 评估冠状动脉狭窄程度构成挑战，因为钙化斑块会产生晕影伪影。我们的研究目的是使用先进的人工智能（增强型超分辨率生成对抗网络 [ESRGAN]）模型来抑制 CCTA 中的晕影伪影，并确定其对改善 CCTA 对钙化斑块的诊断性能的影响。方法：对接受 CCTA 和侵入性冠状动脉造影 (ICA) 的 50 名患者的 184 个钙化斑块进行分析，测量原始 CCTA 上的冠状动脉管腔，以及三组 ESRGAN 处理的图像，包括 ESRGAN-高分辨率 (ESRGAN-HR)、ESRGAN-平均值和 ESRGAN-中值，以 ICA 为参考方法确定灵敏度、特异性、阳性预测值 (PPV) 和阴性预测值 (NPV)。结果：与使用 ESRGAN 中位数的原始 CCTA 相比，ESRGAN 处理的图像提高了所有三条冠状动脉（LAD-左前降支、LCx-左回旋支和 RCA-右冠状动脉）的特异性和 PPV，导致 LAD 的最高值为 41.0%（95% 置信区间 [CI]：30%，52.7%）和 26.9%（95% CI：22.9%，31.4%）；LCx 为 41.7%（95% CI：22.1%，63.4%）和 36.4%（95% CI：28.9%，44.5%）；RCA 为 55%（95% CI：38.5%，70.7%）和 47.1%（95% CI：38.7%，55.6%）；而原始 CCTA 的相应值分别为 21.8% (95% CI: 13.2%、32.6%) 和 22.8% (95% CI: 20.8%、24.9%)；12.5% (95% CI: 2.6%、32.4%) 和 27.6% (95% CI: 24.7%、30.7%)；LAD、LCx 和 RCA 分别为 17.5% (95% CI: 7.3%、32.8%) 和 32.7% (95% CI: 29.6%、35.9%)。在所有三条冠状动脉中，原始 CCTA 和 ESRGAN 处理的图像对灵敏度和 NPV 没有显著影响。在 RCA 水平上，ESRGAN 中值图像的受试者工作特征曲线下面积最高，原始 CCTA 和 ESRGAN-HR、平均值和中值图像对应的值分别为 0.76（95% CI：0.64, 0.89）、0.81（95% CI：0.69, 0.93）、0.82（95% CI：0.71, 0.94）和 0.86（95% CI：0.76, 0.96）。结论：这项可行性研究表明，ESRGAN 处理的图像在提高 CCTA 对钙化斑块患者的诊断价值方面具有潜在价值。
病例报告：IgG4 相关疾病的心脏变化双能量计算机断层扫描
患者为一名 63 岁男性，因腹痛入院。实验室检查显示 IgG4（19.3 g/L）升高，接近正常上限的 8 倍。腹部 CT 显示胰腺肿块及腹主动脉及胆道系统周围软组织病变。在完成一系列检查和多学科讨论后，根据 2019 年 ACR/EULAR IgG4-RD 分类标准 ( 2 ) 的纳入标准，患者累计评分为 38 分，诊断为 IgG4-RD。患者既往史包括高血压、II 型糖尿病、冠状动脉疾病伴稳定型心绞痛以及因创伤行脾切除术。通过 DECT（SOMATOM Drive，西门子医疗，德国福希海姆）和 Syngo 进行冠状动脉计算机断层扫描血管造影 (CCTA)。在工作站上，在专业工程师的指导下使用“CT冠状动脉”“CT双能量”和“CT心脏功能”工具进行测量，手动绘制圆形感兴趣区域（ROI），确保基于多平面三维重建的ROI位于病变中心，观察者内和观察者间组内相关效率（ICC）分别为0.90和0.96。基于深度学习的冠状动脉CT血管造影（FFR CT）血流储备分数测量由科亚医疗独立核心实验室进行（ 3 ）。CCTA显示多条冠状动脉中度至重度狭窄病变（图1B~D）；左前降支 (LAD) 病变最严重，狭窄程度为 75%–99%，对角支狭窄程度为 90%，左回旋支 (LCX) 狭窄程度为 75%–90%，右冠状动脉 (RCA) 狭窄程度为 50%–90%，这些病变均经侵入性冠状动脉造影 (ICA) 证实（图 1F–H）。有趣的是，该患者的三支血管周围既有非钙化斑块，也有大量肿瘤样病变（图 1A）。后者病变可能是由 IgG4-RD 引起的，但在 ICA 期间被忽视了。众所周知，IgG4-RD 引起的动脉周围炎主要影响外膜，而内膜和中层受累较少（1）。但非钙化斑块主要位于管腔内，因为它最初发生在冠状动脉内膜。近端LAD内的斑块与冠状动脉周围的IgG4相关浸润更容易区分；因此我们选择该区域来测量两个病变（图1I）。近端LAD内的肿瘤样病变在平扫图像（管电压100keV）中的平均CT衰减值为38HU，与位于同一张CT轴位图像上的纤维脂肪斑块（45HU）相同。在延迟增强阶段，非钙化斑块的平均CT衰减为64HU，而肿瘤样病变为100HU。结合它们的增强特征，进一步可确定非钙化斑块及IgG4相关浸润物。首先，比较LAD不同病变的碘密度。动脉期肿瘤样病变比非钙化斑块摄取更多的碘，且差距随时间延长而扩大（图1I、N）。绝对碘和标准化碘
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。