- 综合排序
- 最热优先
- 最新优先
- 来自专栏基于深度学习的图像增强
Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI
Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI (Journal of Magnetic Resonance Imaging 2018) 这是一篇医学图像增强的论文，介绍了研究人员正在使用人工智能来减少MRI检查后留在体内的造影剂的剂量。 这种沉积的影响尚不清楚，但放射科医师正在积极主动地优化患者安全性，同时保留钆增强MRI扫描提供的重要信息。 训练和测试 训练和测试是在配对和归一化之后进行的，基于这样的假设：低剂量CE-MRI和零剂量MRI的对比信号(剩余信号差异)是对齐且缩放的（scaled），但与全剂量CE-MRI和零剂量MRI的对比信号相比 结论 该框架对钆剂量比通常使用的剂量减少90%的图像有明显的改善，在不牺牲诊断质量的情况下显着降低钆剂量，注意患者的安全。
94431发布于 2020-06-03 - 来自专栏相约机器人
MRNet：膝关节MRI扫描的深度学习辅助诊断
背景 在膝关节磁共振成像的深度学习辅助诊断：MRNet的开发和回顾性验证中，斯坦福ML小组开发了一种预测膝关节MRI检查异常的算法，并测量了向放射科医师提供算法预测的临床效用。外科医生在解释时。 https://stanfordmlgroup.github.io/competitions/mrnet/ 它包括1,370膝关节MRI检查，包括： 1,104（80.6％）异常考试 319（23.3％
2.3K30发布于 2019-07-05 - 来自专栏最新医学影像技术
LLD-MMRI2023——多模态MRI 的肝脏病变诊断挑战
今天将分享多模态MRI 的肝脏病变诊断完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 为了提高肝脏病变诊断的准确性，多模态对比增强磁共振成像 (MRI) 已成为一种很有前途的工具。 在此背景下，我们的目标是发起首届多相 MRI 肝脏病变诊断挑战赛 (LLD-MMRI2023)，以鼓励该领域计算机辅助诊断 (CAD) 系统的发展和进步。 每个以 MR 开头的文件夹代表一个患者病例，每个病例包含八个完整的 MRI 卷，每个卷代表一个扫描阶段并保存为 nii.gz 文件。您需要根据相应的8卷来诊断患者肝脏病变的类别。 参与者需要对每种情况下的肝脏病变类型做出诊断。 4、每个病变有 8 个不同的阶段，提供不同的视觉线索。
1.3K20编辑于 2023-09-29 MedOpenClaw：给GPT-5.4更多工具反而变差，TUM+牛津+帝国理工揭开工具使用悖论
TUM、牛津大学、帝国理工学院等八所机构的联合团队给出了一个反直觉的答案：GPT-5.4在接入专业分割工具后，Brain MRI诊断准确率从0.61降至0.57，Lung CT/PET从0.32降至0.27 三、MedFlowBench：从"看图答题"到全研究交互式诊断两个临床模块MedFlowBench当前版本包含两个代表性临床模块：模块一：Brain MRI，基于UCSF-PDGM数据集（University 四、"工具使用悖论"：GPT-5.4加工具后性能下降的原因Viewer-Only Track：前沿模型已能初步导航论文在Track A上测试了四个模型，结果如下：模型Brain MRI Accuracy GPT-5-mini的情况更加混合：Brain MRI微升0.02（从0.43到0.45），但Lung CT/PET下降0.06（从0.20到0.14）。 实验揭示了"工具使用悖论"：GPT-5.4加入分割工具后性能下降（Brain MRI -0.04，Lung CT/PET -0.05），根源在于VLM缺乏毫米级空间定位精度。
15810编辑于 2026-04-08- 来自专栏智能生信
[MICCAI 2022 | 论文简读] ASA:用于预训练脑核磁分割的注意力对称自动编码器开源
简读分享 | 汪逢生 编辑 | 乔剑博 论文题目 Attentive Symmetric Autoencoder for Brain MRI Segmentation 论文摘要 为磁共振成像 (MRI ) 数据准确分割脑部病变、肿瘤或组织对于构建计算机辅助诊断 (CAD) 系统至关重要，并有助于医学专家改进诊断和治疗计划。 观察到这样特征，作者在这篇文章中提出了一种基于Vision Transformer (ViT) 的新型注意力对称自动编码器 (ASA)用于 3D 大脑 MRI 分割任务，该方法包括新颖的注意力重建损失函数 ，一种新的对称位置编码方法以及基于注意力对称自动编码器的用于脑 MRI 分割的自监督学习（Self-Supervised Learning, SSL）框架。 在三个脑 MRI 分割基准上优于最先进的自监督学习方法和医学图像分割模型。 论文链接 https://arxiv.org/pdf/2209.08887.pdf
47510编辑于 2022-12-29 - 来自专栏镁客网
黑科技 | 这款MRI分析软件，比现有技术早15年诊断出老年痴呆
近日，美旧金山初创公司Darmiyan开始内测一款MRI（核磁共振成像）分析软件，该软件将用于协助诊断阿尔茨海默症。 阿尔茨海默症，是一种病因隐匿的进行性发展神经系统衰退性疾病。 由于该病的开始阶段症状极其不明显，即便是利用MRI扫描，也很难检测判断出，故而Darmiyan公司的研究团队就开发了这款分析软件，实现通过MRI扫描，在微观层面上检测出细胞异常。 MRI图像像素的变化，分析出组织的变化，从而诊断出结果。” 据研究团队介绍，该技术可以在发病前15年就检测出脑细胞异常，且该软件的诊断结果准确率可维持在90%。 图 | 普通MRI扫描 图 | 加持软件后的MRI扫描 该公司还表示，未来将与制药公司合作，对此，Kamali-Zare解释道：“等到出现认知衰退等轻微症状再进行干预治疗已经太迟，我们的技术将会与药物选择
55200发布于 2018-05-30 - 来自专栏脑电信号科研科普
Schizophrenia Research：支持向量机+结构MRI实现首发精神分裂症患者的分类诊断
但是，这些前人的研究结果对于临床诊断FES似乎价值并不大。这主要是由于这些研究往往只能得到组水平上的具有统计学差异的脑区，而不能实现个体水平上的分类。 2.MRI数据获取：采用GE 3T的MRI设备，获取每个被试高分辨率的T1加权成像MRI数据。 3.数据分析：结构MRI数据采用FreeSurfer工具包进行分析，分析采用标准的流程。 该研究利用机器学习的方法，分别获得了85%（采用surface area作为特征）和81.8%（采用cortical thickness作为特征）的分类准确度，这些结果证明了大脑结构的变化可以作为精神分裂早期诊断的生物标志物 传统的脑影像分析方法往往只能获得组水平上的具有统计学差异的脑区，但是这对于临床疾病诊断的价值并不大。 而采用如机器学习等新颖的分析技术，可以实现在个体水平上的疾病分类，这对于精神分裂症等精神疾病的临床诊断具有巨大的应用价值。
64000发布于 2020-11-15 - 来自专栏机器学习炼丹术
综述 深度学习在神经成像领域的前景与挑战
❝Rician noise in MRI, quantum noise in computed tomography (CT) MRI中的Rician噪声，计算机断层扫描（CT）中的量子噪声等等。 广义上说，两个任务的目标都是把x（神经成像数据映射到y（诊断，治疗反应和行为）。 （sMRI）和diffusion MRI（dMRI弥散MRI），reflect voxel tissue density/volume or structural connectivity.反应了体素组织密度 由于MRI等身成像的高纬度、低信噪比、高效的特征处理对于减少建模前的冗余是非常重要的。 特别是RNN在序列建模方面取得了巨大的成功，目前广泛应用于brain disorder diagnosis, brain decoding and temporally dynamic functional
53720编辑于 2023-03-16 - 来自专栏渗透靶机
vulnyx靶机：Brain
vulnyx是一个提供各种漏洞环境的靶场平台，大部分环境是做好的虚拟机镜像文件，镜像预先设计了多种漏洞，需要使用VMware或者VirtualBox运行。每个镜像会有破解的目标，挑战的目标是获取操作系统的root权限和查看flag。
18810编辑于 2025-02-07 - 来自专栏脑机接口
Nature：人类一生中的脑图形态变化
Study: Brain Charts for The Human Lifespan. 相对于对照组(CN)，在诊断为多种疾病的大(N>500)病例组中，百分位数得分存在显著差异（图4）。临床病例对照分析中，皮质厚度和表面积的差异，与体积组间差异的趋势类似。 在生命周期的所有主要时期中，无论诊断类别如何，病例中的CMD始终高于对照组。不同时期最大的病例对照差异发生在成年晚期和青春期。成年晚期罹患痴呆的风险增加。在青春期，精神健康障碍发病率增大。 图4. 新的MRI数据的局部评分 构建大脑图表的一个挑战是确定样本外MRI数据的百分位数评分。因此，研究人员仔细评估了这类“新”扫描的百分位评分的可靠性和效度。 Brain charts for the human lifespan.
1.1K30编辑于 2022-09-22 - 来自专栏最新医学影像技术
深度学习在医学影像上的应用（三）——分割
https://arxiv.org/abs/1505.04597 （2）《Efficient multi-scale 3D CNN with fully connected CRF for accurate brain 我们进一步证明了所提出的方法在38个MRI肝肿瘤体积和公共3DIRCAD数据集上的鲁棒性。 Supervised Network for Automatic Liver Segmentation from CT Volumes》-2017年 摘要：CT影像的自动肝脏分割是计算机辅助肝脏疾病诊断和治疗的关键步骤 论文地址：https://arxiv.org/abs/1607.00582 （10）《Unsupervised domain adaptation in brain lesion segmentation 论文地址：https://arxiv.org/abs/1612.08894 （11）《Deep Learning for Brain MRI Segmentation:State of Art and
2.4K31发布于 2020-06-29 - 来自专栏新智元
【AI测人类智商】只需几秒钟，AI看大脑扫描图像判断你的智商
“fMRI还没有实现其作为诊断工具的潜力，我们和其他许多人正在积极努力改变这种状况。现在世界各地科学家有很多可用的大型数据集的，大家都在积极研究这种可能性。”Dubois说。 这项研究是一个更宏伟的计划的一部分，这个更宏伟的计划是设计一种诊断工具，能够从大脑扫描结果中了解一个人的心智。 研究人员表示，他们希望有一天MRI可以诊断孤独症、精神分裂症和焦虑等疾病，因为他们目前正在寻找肿瘤，动脉瘤或肝脏疾病。 智力被选为这种技术的首批测试平台之一，因为研究表明智力随着时间的推移非常稳定。 不过，Dubois表示：“数据库中的人格分数都是来自参与调查的人简短的自我报告，不是非常准确的性格测量，所以我们无法从MRI数据中很好地预测它。” 相关的两篇论文，Resting-state functional brain connectivity best predicts the personality dimension of openness
82900发布于 2018-07-31 - 来自专栏基于深度学习的图像增强
不同模态MRI医学图像合成
背景 医学影像对于不同疾病的诊断和治疗至关重要。通常不止一种成像模式参与临床决策，因为不同的模式常常提供互补的见解。 另一方面，磁共振成像(MRI)可以很好地对比软组织。与CT相比，MRI更安全，不涉及任何辐射;但它比CT昂贵得多，而且没有放射治疗计划或PET图像重建所需的密度信息。 MICCAI 2017) Authors: Dong Nie1, Roger Trullo, Caroline Petitjean, Su Ruan, and Dinggang Shen 本文开发了一种从MRI 1.在生成器中引入残差连接，证明其在3T到7T图像合成任务中的作用及其对网络收敛性的作用； 2.进一步验证了梯度损失的作用 3.验证并分析了auto-context model模块细化的作用 4.在MRI 但需要注意的是，残差学习只对输入与输出高度相关的任务有意义，如3T到7T合成、超分辨率、去噪等，而MRI到CT任务可能不太适用，加了残差后的生成器结构如下： ?
1.4K20发布于 2020-07-21 - 来自专栏我爱计算机视觉
MICCAI 2022 | ASA:用于预训练脑核磁分割的注意力对称自动编码器开源
本文解读了深圳市大数据研究院联合中山大学发表在MICCAI 2022的《Attentive Symmetric Autoencoder for Brain MRI Segmentation》，该工作属于被提前接受 本文提出了提出了一种基于Vision Transformer (ViT) 的新型注意力对称自动编码器 (ASA)，用于 3D 大脑 MRI 分割任务，在三个脑 MRI 分割基准上优于最先进的自监督学习方法和医学图像分割模型 ) 数据准确分割脑部病变、肿瘤或组织对于构建计算机辅助诊断 (CAD) 系统至关重要，并有助于医学专家改进诊断和治疗计划。 这三个数据集分别包含1251个，18个和60个MRI样本，分割目标也由肿瘤到脑部灰白质分割多样。 J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., et al.: The multimodal brain
1K10编辑于 2022-11-28 - 来自专栏脑机接口
3D大脑图谱-Julich-Brain被称作“Google Earth of the brain”
Julich-Brain 是人类大脑的第一个3-D 图谱的名称，它以微观分辨率反映了大脑结构的可变性。该图谱具有近 250 个结构不同的区域，每个区域都基于对 10 个大脑的分析。 研究的大脑区域在 Julich-Brain Atlas 中转移并叠加。由于个体大脑之间的区域不同，因此计算概率图（右脑半球；红色表示概率高，因此变异性低）。 连续组织切片的 3D 重建工作流程和大脑数据与参考空间的对齐、2D 图像中的细胞结构分析以及概率 Julich-Brain 图谱的计算。 因此，Julich-Brain 以概率图的形式显示各个区域的位置和形状。研究人员在与语言有关的布罗卡区域发现了特别大的差异。相比之下，初级视觉区域显得更加统一。 图片来源：Amunts 等人，《科学》（2020 年） 作为 EBRAINS 的一部分，Julich Brain Atlas 是将结构和功能结合在一起的起点。
1.2K20编辑于 2022-08-17 - 来自专栏锦小年的博客
课程笔记3--MRI的原理
MR物理基础: 核磁共振成像（Magnetic Resonance Imaging，MRI）是一种多功能的成像方式，既可以用来研究大脑结构，也可以用来研究大脑的功能。 MRI技术是建立在一些核心的物理学基础上的。 为了理解这些物理学基础，我们首先要先学习单个原子核及其对MR信号的影响，在MRI中，我们一般关注的是氢原子（它只有一个质子，而且它在血液中数量庞大，产生的信号较强）。 在MRI过程中，原子核的磁矩会经历3种状态（如果加上弛豫过程就是4种）： 在没有任何外界磁场的干扰下，原子核的磁矩的朝向是随机的，不存在净磁化强度，如下图: ? MRI的目标是构建一幅图像或者是一个与空间定位对应的数字矩阵，这幅图像描述了样本的原子核的一些特性的空间分布，这可能是原子核的密度或者它们所属的组织的弛豫时间。
1.5K30发布于 2019-05-26 - 来自专栏有三AI
【图像分割应用】医学图像分割小总结
与目前的诊断方式相同，医学图像的标注同样极大依赖医学专家的诊断，这种方式不可避免地会引入一定的误差，比如人为判断本身的错误、主观因素的影响、不同专家之间的分歧等。 医学诊断往往需要算法结合不同的数据库来作出判断，但是由于获取图像的传感器等方面的差异，这些数据库很难在一个标准下进行结合。 代码地址： [1]https://github.com/zsdonghao/u-net-brain-tumor [2]https://github.com/naldeborgh7575/brain_segmentation 此领域比较常用的图像类型为CT图像和MRI图像（核磁共振图像），并在此基础上分割左心室、识别心脏钙化程度。 ? 代码地址： [1]https://github.com/SabareeshIyer/Brain-tumor-detection-in-3D-MRIs-using-DCGAN [2]https://github.com
2.8K31发布于 2019-07-23 - 来自专栏鸿的学习笔记
The Brain vs Deep Learning（五）
So my estimate would be 1.075×10^21FLOPS for the brain, the fastest computer on earth as of July 2013 Voltage induced protein activation and signaling Glia cells (besides having an extremely abnormal brain
36620发布于 2018-08-06 - 来自专栏基于深度学习的图像增强
医学图像MRI增强相关论文
背景 在MRI扫描中，与常规3T MRI相比，特高磁场7T MRI具有更高的分辨率和更好的组织造影，有助于更准确、早期的脑部疾病诊断。 然而，目前7T MRI扫描仪在临床和研究中更昂贵且数量更少，这促使研究者提出从3T MRI中重建与7T MRI质量相近的图像的方法，以提高图像的分辨率和对比度。 实验部分： 本文用到的数据集是15例配对MRI图像，其中健康受试者5例，癫痫8例，MCI 2例。所用指标PSNR，部分实验结果如下： ? ? 实验部分： 本文所用的数据集为15例配对MRI脑图像，评价指标为PSNR、SSIM。部分实验结果如下： ? 实验部分：本文采用15例配对的健康人的MRI图像。评价指标有PSNR、SSIM以及FAST得到的分割结果DICE比较。部分实验结果如下： ?
1.2K31发布于 2020-07-14 - 来自专栏鸿的学习笔记
The Brain vs Deep Learning(三)
生物信息处理的复杂性不是以蛋白质信号传导级联为结束，100亿个蛋白质不是完成其任务的工人的随机汤，而是这些工作者被设计为具有特定数量以服务于与目前相关的特定功能。所有这些都由涉及辅助蛋白，DNA和信使RNA（mRNA）的紧密反馈环控制。
52620发布于 2018-08-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号