XiaoMi-AI文件搜索系统
World File Search System采集时间
完善脑部扫描：新视野 - Philippe Ciuciu 1,2
缩短采集时间一直是高分辨率 MRI 面临的一大挑战，而压缩感知 (CS) 理论已成功解决了这一问题。然而，大多数傅里叶编码方案都对现有的 k 空间轨迹进行了欠采样，不幸的是，这些轨迹永远无法充分编码所有必要的信息。最近，我的团队通过提出用于快速 K 空间采样的扩散投影算法 (SPARKLING) 解决了这一关键问题，该算法用于 3 和 7 特斯拉 (T) [1,2] 下的 2D/3D 非笛卡尔 T2* 和磁化率加权成像。在演讲的前半部分，我将介绍这些进展，展示有趣的临床应用，并演示我们如何采用这种方法来解决 7T 下的高分辨率功能和代谢（钠 23 Na）MR 成像——这是一项非常具有挑战性的任务。此外，我将解释如何使用 SPARKLING 欠采样策略来内部估计静态 B0 场不均匀性，这是避免在校正由于这些不均匀性而导致的非共振伪影之前需要进行额外扫描的必要组成部分。
儿童大脑磁共振指纹识别
随着磁共振成像技术的不断进步，定量成像方法在临床和研究应用中都获得了巨大的发展。例如，弥散加权成像、灌注加权成像、功能性磁共振成像和磁共振已被广泛用于深入了解儿童的正常大脑发育和各种神经系统疾病。1-4 当系统相关偏差得到控制时，定量成像方法可以得出客观且可能更具可重复性的发现。尽管具有这些潜在优势，但定性 T1 加权和 T2 加权图像仍然是临床实践中使用最广泛的磁共振图像，临床解释/诊断很大程度上依赖于定性或半定量的视觉评估。T1 和 T2 弛豫时间是基本的磁共振成像特定属性，受内在组织成分、微环境、温度和磁场强度控制。与传统磁共振成像相比，直接测量 T1 和 T2 弛豫时间可以提供更定量和客观的组织特征和病理过程评估。 5,6 然而，技术限制（特别是较长的采集时间）使得这些方法更容易受到运动的影响，并且容易出现系统相关的不稳定性，从而阻碍了它们在临床上的广泛应用。
使用X射线和光学显微镜
软X射线断层扫描（SXT）可以实现完全水合，低温保存的生物样品的三维（3D）成像，揭示了超微结构的细节，而无需染色，嵌入或切片。传统上仅在同步基因设施上可用，激光驱动的等离子源的最新进展导致了紧凑的软X射线显微镜（例如SXT-100）的发展。SXT-100将成像分辨率降低到54 nm全螺距，在30分钟到两个小时内获得了断层图。SXT-100与落叶显微镜整合在一起，通过桥接荧光和电子显微镜来促进相关工作流，同时保留玻璃化样品的结构完整性。我们通过各种用例演示了SXT-100的功能，包括成像Euglena Gracilis，酿酒酵母酵母细胞和哺乳动物细胞中的纳米颗粒。相对较短的断层图采集时间，软X射线断层扫描的几乎没有破坏性的性质以及其定量成像功能强调了其作为高级生物成像的强大工具的潜力。未来的发展有望增强吞吐量和更深入的整合，并与新兴的相关成像方式以及包括组织在内的各种样本类型。
哥白尼哨兵-3 SLSTR 陆地用户手册
8.2.1 在哪里可以找到有关最新版本处理的资料？ ...................................................................... 48 8.2.2 如何找到用于处理单个产品的版本？ ...................................................................... 48 8.2.3 如何获取有关过去异常或事件的信息？ ...................................................................... 48 8.2.4 为什么热通道图像中有时会出现空白区域？ ...................................................................... 49 8.2.5 如何从连接点插值到图像网格？ ...................................................................................... 49 8.2.6 如何计算 L1/L2 图像中任意像素的采集时间？ ...................................................................... 50 8.2.7 如何计算卫星与太阳之间的相对角度？ ............................................................................. 50 8.2.8 如何在 1 级产品中将亮温转换为辐射度？ ................................................................ 50 8.2.9 如何在 1 级产品中将辐射度转换为反射率？ ................................................ 51 8.2.10 如何找到 SLSTR 光谱响应函数？ ...................................................................................... 51 8.2.11 如何找到影像中条带的中心？ ...................................................................................... 51 8.2.12 什么是填充？ ............................................................................................................. 51 8.2.13 什么是孤立像素，它们有用吗？ ...................................................................................... 52 8.2.14 为什么影像两侧有一排未填充的像素？ ............................................................................. 52 8.2.15 1 级产品中不同云罩之间有什么区别？ ............................................................. 53 8.2.16 如果指向标志升起，这意味着什么？ ............................................................................. 53 8.2.17 如何在产品清单中查找质量信息？ ............................................................................. 54 8.2.18 如何计算 1 级的每像素不确定度？ ........................................................... 55 8.3 如果您有疑问 ................................................................................................................ 55
SmartEM：机器学习引导的电子显微镜
Connectomics 提供了必要的纳米分辨率、突触级神经回路图，有助于了解大脑活动和行为。然而，很少有研究人员能够使用高通量电子显微镜来快速生成重建整个回路或大脑所需的非常大的数据集。迄今为止，在通过电子显微镜 (EM) 收集图像后，人们已经使用机器学习方法来加速和改进神经元分割、突触重建和其他数据分析。随着处理 EM 图像的计算改进，获取 EM 图像现在已成为限速步骤。在这里，为了加快 EM 成像速度，我们将机器学习集成到单光束扫描电子显微镜的实时图像采集中。这种 SmartEM 方法允许电子显微镜对标本进行智能、数据感知成像。SmartEM 为每个感兴趣的区域分配适当的成像时间 - 快速扫描所有像素，但随后以较慢的速度重新扫描需要更高质量信号的小子区域，以保证整个视野的均匀分割性，但节省大量时间。我们证明，该流程使用商用单光束 SEM 将连接组学的图像采集时间加快了 7 倍。我们应用 SmartEM 重建小鼠皮层的一部分，其精度与传统显微镜相同，但所需时间更短。
诺贝尔奖颁给阿兰·阿斯派克特 (Alain Aspect)、约翰·克劳泽 (John Clauser) 和安东·蔡林格 (Anton Zeilinger)
这时，约翰·克劳泽 (John Clauser) 出现在了故事中：首先，当他还是哥伦比亚大学的研究生时，他发现了贝尔定理的一个修改版本，其中的不等式可以应用于实际实验（使用纠缠光子对和对各种极化方向的测量）；然后在 1972 年，他与伯克利大学的 Stuart Freedman 一起进行了第一个实验，最终证明贝尔不等式被违反了 5 个标准差以上 [3]。这个实验使用灯来激发原子（激光时代之前！），是一个杰作，数据采集时间为 200 小时。克劳泽的结果后来由 Fry 和 Thompson 在 1976 年通过类似的实验证实。与此同时，从 1974 年开始，Alain Aspect 参与了一项计划，其中通过相对论论证来强制执行对中每个光子的偏振测量之间的独立性。在奥赛光学研究所进行的这些实验中，每个偏振器的设置都在随时间快速变化，因此两个检测通道之间不可能交换有关此设置的信息：在创建纠缠光子对之后，对光子偏振的测量基础的选择已经完成，局域性条件（这是贝尔定理的一个基本假设）成为爱因斯坦因果关系的结果，可防止任何超光速的影响。这导致了 1982 年发表的
空间：快速、低 SAR、T2 的创新解决方案...
自旋回波序列的对比度特性以及对射频和磁场不均匀性的固有不敏感性使其成为临床高场协议中特别理想的补充，因为在临床高场协议中，磁化率效应可能非常明显。快速成像方法，例如 Turbo Spin Echo (TSE)，使用一系列重新聚焦脉冲（Turbo 因子或回波序列长度 (ETL)）来实现在每个激励脉冲之后执行多个相位编码步骤。然而，增加的 RF 功率沉积会严重限制高场多层应用中的覆盖范围，因为功率沉积或比吸收率 (SAR) 随着场强的平方以及翻转角的平方而增加。此外，增加的饱和度和磁化传递效应会降低对比度和信噪比（CNR 和 SNR）。高分辨率 3D 采集能够精确表征和定位解剖和病理，但采集时间过长，T2 加权序列通常仅在 2D 模式下可行。采集速度的提高受到回波序列长度（T2 衰减限制）的限制，并且由于对比度和模糊的损失，通常无法获得非常长的回波序列。为了在 3T 及以上条件下使用这些序列实现高场和 3D 成像，需要实施适当的措施来解决这些问题。
使用耦合张量多线性近似对大脑 3D 磁共振图像进行超分辨率重建
磁共振成像 (MRI) 是一种多功能医学成像方式，可在软组织之间提供出色的对比度。可以调整采集参数，以使这种对比度对各种组织特性敏感，例如质子密度以及纵向和横向弛豫时间（分别为 T 1 和 T 2 ）。MRI 采集包括使用各种电磁脉冲反复激发人体内质子，并从图像中获取少量傅里叶样本。然后通过逆傅里叶变换运算将频域中的观测值重铸到空间域。典型的 MRI 数据包括任意方向的 2D 或 3D 图像。后者具有两个平面内空间维度和切片方向的第三个空间维度，因此它们可以看作张量。然而，MRI 的采集时间相对较慢，通常需要几分钟的时间。这种技术限制会阻碍 3D 高分辨率图像的采集。为了避免这个缺点，超分辨率技术已被证明在许多情况下是有效的 [1]，[2]，[3]。它们包括从一个或多个低分辨率观测中恢复 3D 高分辨率图像。最近，有人提出使用深度学习从单个低分辨率观测中恢复高分辨率图像 [4]，[5]。然而，对于小病变，最好考虑多个观测以用于图像的诊断。这些观测可以合并到融合模型中，从而提供比单独处理更多的信息 [6]。使用融合范式避免了依赖外部患者数据库来获取先验信息。因此，在剩下的文章中，我们将重点关注从多个观测中进行超分辨率重建的问题，也称为多帧超分辨率。
小鼠体内大脑的体细胞和神经突密度 MRI (SANDI) 以及与 Allen Brain Atlas 的比较
扩散磁共振成像 (dMRI) 通过探测扩散分子与组织微结构之间的相互作用，为神经组织环境提供了独特的见解。大多数 dMRI 技术侧重于白质 (WM) 组织，然而，人们对灰质表征的兴趣正在增长。体细胞和神经突密度磁共振成像 (SANDI) 方法利用一种模型，该模型结合了球形物体（假设与细胞体相关）和不透水“棒”（假设代表神经突）中的水扩散，这可能使细胞和神经突密度的表征成为可能。认识到啮齿动物在发育、衰老、可塑性和疾病的动物模型中的重要性，我们在此使用 SANDI 进行体内临床前成像，并通过将 SANDI 指标与 Allen 小鼠大脑图谱反映的细胞密度进行比较，对该方法进行了首次验证。 SANDI 在配备低温线圈的 9.4T 扫描仪上实施，并在 N = 6 只小鼠上进行了体内实验。进行了像素级、基于 ROI 和图谱比较，比较了幅度与实值分析，并研究了减少 b 值壳数量的较短采集时间。我们的研究结果显示 SANDI 参数具有良好的可重复性，包括球体和棒状分数以及球体大小（CoV 分别为 < 7%、12% 和 3%）。此外，我们发现 SANDI 驱动的球体分数与代表细胞密度的 Allen 小鼠脑图谱对比度之间存在非常好的等级相关性。我们得出结论，SANDI 是一种可行的临床前 MRI 技术，可以极大地促进脑组织微结构的研究。
脑灌注 SPECT 中最小计数的影响
脑灌注 SPECT 图像中每像素的计数取决于给药剂量、采集时间和患者状况，有时在日常临床研究中会变得较低。本研究的目的是评估不同采集计数对定性图像和统计成像分析的影响，并确定准确检查所需的最小计数。方法：我们进行了一个脑幻像实验，模拟 99m Tc-乙基半胱氨酸二聚体的正常积累，大脑摄取率为 5.5%。SPECT 数据是在连续重复旋转中采集的。通过改变添加的旋转次数，创建了十种具有不同采集计数的 SPECT 图像。我们使用了归一化均方误差和视觉分析。对于临床研究，我们使用了 25 名患者的图像。图像是通过连续重复旋转获取的，我们通过将旋转次数从 1 变为 6 来创建具有不同采集计数的 6 幅脑部图像。对比噪声比是根据灰质和白质感兴趣区域内的平均计数计算得出的。此外，严重程度、范围和疾病特定区域的比例被评估为统计成像分析的指标。结果：对于幻像研究，归一化均方误差曲线趋于从大约 23.6 个计数/像素收敛。此外，视觉评分显示，23.6 个计数/像素或更少的图像几乎无法诊断。对于临床研究，对比噪声比在 11.5 个计数/像素或更少时显著下降。严重程度和范围趋于随着采集计数的减少而增加，在 5.9 个计数/像素时显著增加。另一方面，不同采集计数之间的比率没有显著差异。结论：在对体模和临床研究进行综合评估的基础上，我们认为每像素 23.6 个计数或更多是维持定性图像质量和准确计算统计成像分析指标所必需的。