XiaoMi-AI文件搜索系统
World File Search System骰子
自动分割主动脉瓣和二尖瓣，用于肥厚性阻塞性心肌病的心脏外科手术计划
肥厚性阻塞性心肌病（HOCM）是年轻人突然心脏死亡的主要原因。隔膜切除术手术被认为是HOCM非药物治疗的黄金标准，其中主动脉和二尖瓣是手术计划的关键区域。当前，在临床实践中广泛执行主动脉和二尖瓣的手动分割，以构建用于HOCM手术计划的3D模型。但是，这样的过程是耗时且昂贵的。在本文中，我们将解剖学的先验知识介绍为自动分割主动脉和二尖瓣的深度学习。特别是提出了一种两阶段的方法：我们首先从CT图像中获得感兴趣的（ROI），然后进行心脏分割。心脏子结构之间的空间关系用于识别包含主动脉瓣和二尖瓣的瓣膜区域。与典型的两阶段方法不同，我们为左心室的精制分割，左心房和主动脉作为阀门分割的附加输入。通过纳入这些解剖学先验知识，深度神经网络（DNN）可以利用周围的解剖结构来改善阀门细分。，我们收集了一个具有隔膜切除术手术病史的患者的27个CT图像的数据集。实验结果表明，我们的方法的平均骰子得分为71.2％，比现有方法提高了4.2％。我们的数据集和代码将发布到公共数据集。关键字：肥厚的阻塞性心肌病，外科手术计划，分割，深神经网络。
使用SWIN Transformer的头明梯度注入的自我注意图
颅内出血（ICH）是一种威胁生命的医疗紧急情况，需要及时，准确的诊断才能有效治疗并提高患者的存活率。虽然深度学习技术已成为医学图像分析和处理的主要方法，但最常用的监督学习通常需要大型，高质量的注释数据集，这些数据集可能是昂贵的，尤其是对于像素/体素/体素图像分段。为了应对这一挑战并促进ICH治疗决策，我们采用了一种新型的弱监督方法来进行ICH分割，并利用经过分类标签的ICH分类任务训练的SWIN变压器。我们的方法利用了注入头梯度的自我发项图的分层组合，以生成准确的图像分割。此外，我们对不同的学习策略进行了探索性研究，并表明二进制ICH分类对自我发场地图的影响更大，与完全ICH的亚型相比。平均骰子得分为0.44，我们的技术达到了与流行的U-NET和SWIN-UNETR模型相似的ICH分割性能，并使用GradCam胜过类似的弱监督方法，这表明了在挑战医学图像分割任务中所构成的框架的巨大潜力。我们的代码可在https://github.com/healthx-lab/hgi-sam上找到。
3D Kronecker 卷积特征金字塔用于 MRI 成像中的脑肿瘤语义分割
脑肿瘤严重影响生活质量，并改变患者及其亲人的一切。脑肿瘤的诊断通常从磁共振成像 (MRI) 开始。从 MRO 图像手动诊断脑肿瘤通常需要专家放射科医生。然而，这个过程既耗时又昂贵。因此，需要一种计算机化技术来检测 MRI 图像中的脑肿瘤。使用 MRI，使用三维 (3D) 克罗内克卷积特征金字塔 (KCFP) 的新机制来分割脑肿瘤，解决像素丢失和多尺度病变处理薄弱的问题。用 3D 克罗内克卷积代替单一扩张率，同时使用 3D 特征选择 (3DFSC) 进行局部特征学习。在 3DFSC 末尾添加 3D KCFP 以解决多尺度病变处理薄弱的问题，从而有效分割不同大小的脑肿瘤。使用具有全局阈值的 3D 连通分量分析作为后处理技术。标准多模态脑肿瘤分割 2020 数据集用于模型验证。与其他基准方案相比，我们的 3D KCFP 模型表现优异，整个肿瘤、增强肿瘤和肿瘤核心的骰子相似系数分别为 0.90、0.80 和 0.84。总体而言，所提出的模型在脑肿瘤分割方面是有效的，这可能有助于医生对未来的治疗计划做出适当的诊断。
使用残留U- ...
摘要 - 图像分割被认为是从图像中提取有用信息的本质任务之一。鉴于脑肿瘤及其对医疗资源的消耗，此处说明了MRI的深度学习方法分割患者MRI的脑肿瘤。脑肿瘤分割技术对于检测和治疗MRI脑肿瘤至关重要。此外，它可以帮助医生定位和测量肿瘤，并制定治疗和康复计划。基于剩余的U-NET ++编码器架构的架构被设计为主要网络，它是一种在Resu-Net和U-Net ++之间杂交的体系结构。针对最新且众所周知的全球基准挑战，提出的剩余U-NET ++适用于MRI脑图像：Brats 2017，Brats 2019和Brats2021。根据脑肿瘤MRI图像评估所提出的方法。具有骰子相似性系数（DSC）的BRAST 2021数据集的结果为90.3％，灵敏度为96％，特异性为99％，Hausdorff距离（HD）为9.9。使用Brast 2019数据集，DSC为89.2％，灵敏度为96％，特异性为99％，HD为10.2。使用Brast 2017数据集，DSC为87.6％，灵敏度为94％，特异性为99％，HD为11.2。此外，残留的U-NET ++的表现优于标准的脑肿瘤分割方法。实验结果表明，所提出的方法是有希望的，可以比标准U-NET提供更好的分割。细分改进可以帮助放射科医生提高其放射科医生分割的准确性，并节省3％的时间。
边缘感知的金字塔可变形网络，用于大脑的无监督注册MR图像
可变形图像注册对于临床诊断，治疗计划和手术导航至关重要。但是，大多数现有的注册解决方案都需要在可变形注册之前单独的刚性对准，并且可能无法满足较大的变形情况。我们提出了一个新型的边缘感知金字塔变形网络（称为EPREG），用于无监督的体积登记。特别是，我们建议从多级特征金字塔中充分利用有用的互补信息，以预测多尺度的位移场。这样的粗到细节估计促进了预测的注册场的进行性重新确定，这使我们的网络能够处理体积数据之间的大变形。此外，我们将边缘信息与原始图像作为双输入集成在一起，从而增强了图像内容的纹理结构，以促使所提出的网络额外注意以进行结构对齐的边缘感知信息。在包括MindBoggle101，LPBA40和IXI30在内的三个公共大脑MRI数据集上对我们的EPREG的效率进行了广泛的评估。实验证明，相对于骰子指数（DSC），Hausdorff距离（HD）和平均对称的表面距离（ASSD）的指标，我们的EPREG始终优于几种尖端方法。提出的EPREG是解决可变形体积登记问题的一般解决方案。
入学课程奖学金测试2025
1。数学（40个标记）： - 数字系统，多项式，两个变量中的线性方程，二次方程，算术进展，坐标几何学，三角测定，三角形，概率，三角形，三角形，四边形，四边形，四边形，圈子，圆，统计，统计。2。科学（60分）:: a）物理学（20分）： - 光反射和倒置，电力，电流的磁效应。人类的眼睛和丰富多彩的世界，能源的来源。b）化学（20分）： - 原子和分子，原子结构，反应和方程，酸，碱和盐，金属和非金属，碳及其化合物，元素的定期分类。c）生物学（20分）： - 植物和人类的有性繁殖（生物如何繁殖），控制与协调，生命过程，遗传和进化，我们的环境。3。英语（20分）： - 时，语音，词汇和错误校正，介词，标签问题，文章和确定词以及语音的部分。4。心理能力测试和推理（30分）：-1。逻辑推理： - 陈述和结论，参数和假设，三段论，数字序列和模式； 2。数学推理： - 数字和操作，代数表达式和方程，几何和月经，数据分析和解释； 3。非语言推理： - 视觉难题和图案，镜像图像和反射，立方体和骰子，纸张折叠和切割； 4。言语推理： - 类比和关系，单词形成和模式，编码和解码，分类和分类； 5。批判性思维： - 确定偏见和假设，评估论点和证据，得出推论和得出结论，解决道德或道德困境。
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
基于兴趣区域的脑肿瘤分割 -
摘要由于磁共振成像（MRI）具有较高的软组织对比度，因此在MRI图像中，对肿瘤的轮廓（脑）肿瘤在医学图像过程中至关重要。对肿瘤进行精确分割是巨大的挑战，因为肿瘤和正常组织通常在大脑中密不可分地交织在一起。手动耗时也非常耗时。后期的深度学习技术开始在脑肿瘤分割中表现出可取得的成功。这项研究的目的是开发一种新的兴趣区域（ROI ADED）深度学习技术，用于自动脑肿瘤MRI分割。该方法由两个主要步骤组成。第一步是使用具有U-NET结构的2D网络来定位肿瘤ROI，这是为了产生正常组织干扰的影响。然后，在第2步中执行3D U-NET，以进行识别的ROI内的肿瘤分割。该提出的方法在MIC-CAI BRATS 2015挑战中得到了验证，其中220个高神经胶质瘤级（HGG）和54个低神经胶质瘤级（LGG）患者的数据。骰子相似性系数和手动肿瘤轮廓之间的Hausdorff距离分别为0.876±0.068和3.594±1.347 mm。这些数字表明我们所提出的方法是用于大脑MRI肿瘤分割的有效的ROI ADEAD深度学习S，并且是医学图像处理中的有效且有用的工具。
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。