- 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 of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks》-2017年 摘要：肝脏和肝脏病变的自动分割是获取定量生物标记物用来精确临床诊断和计算机辅助决策支持系统中重要的步骤 我们仅从12个数据点估计扩散峰度度量和仅来自8个数据点的神经突方向弥散度和密度度量来设置新技术。这允许空前快速和强大的方案，来促进临床常规并说明如何通过深度学习来简化经典数据处理。 from Mammograms》-2018年 摘要：大多数分割都提供有效的形态学特征，这对于大规模诊断是很重要的。 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 ) 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。 3.2对比实验 作者将提出方法与现有的基于3D Transformer的图像分割模型（nnFormer[7] 、TransBTS[8] 、UNETR[10] ）和 3D 自监督方法[11]（相对 3D J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., et al.: The multimodal brain nnformer: Interleaved transformer for volumetric segmentation. arXiv preprint arXiv:2109.03201 (2021) [8]
1K10编辑于 2022-11-28 - 来自专栏思影科技
BrainAGE作为大脑老化的神经影像标志物的十年
“脑年龄差距估计（Brain Age Gap Estimation，BrainAGE）”方法是基于结构MRI，预测和评估个体脑龄的首个也是实际应用最广泛的概念。 MRI原始数据的预处理（Preprocessing of raw MRI data ） 使用SPM对原始MRI数据进行预处理，包括在MATLAB下运行的VBM8/CAT12工具箱。 数据降维（Data Reduction ） 预处理的MRI数据用4或8mm半高全宽（FWHM）高斯核进行平滑处理。 事后分析（post-hoc分析）表明，BrainAGE与全脑的GM总体积呈负相关（图8C）。作者的结论是，BrainAGE有助于BD和SZ的早期鉴别诊断。 此外，首发SZ和肥胖的诊断均与BrainAGE相关（p<0.001），首次发作SZ的肥胖参与者BrainAGE得分最高（3.8岁），正常体重对照组最低(−0.3年；图8B）。
1K30编辑于 2022-02-28 - 来自专栏思影科技
BRAIN：用于阿尔茨海默病分类的可解释深度学习框架的开发和验证
目前的诊断方法结合患者病史、神经心理学检测和MRI来识别可能的病例，然而有效的做法仍然应用不一，缺乏敏感性和特异性。 本研究发表在BRAIN杂志。 研究背景 全球仍有数百万人受到阿尔茨海默病的困扰，而开发有效的疾病修正疗法的尝试仍然停滞不前。 数据可用性 Python脚本和样本数据在GitHub上提供（https://github.com/vkola-lab/brain2020）。 ? 表1. 鉴于固定的全连接层维度，从传统CNNs生成疾病概率图不仅需要子体积训练（sub-volumetric training），还需要子体积应用于全尺寸MRI体积（补充表8与表2），为了计算疾病状态的局部概率 值得注意的是，FCN模型的表现优于使用衍生的MRI特征构建的传统机器学习模型（补充图6和补充表9）。 ? 补充表8. 3D卷积神经网络（CNN）模型性能总结。
2.4K10发布于 2020-07-15 - 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 - 来自专栏脑电信号科研科普
NeuroImage:基于脑电和结构MRI的AD和轻度认知障碍机器学习分类研究
AD诊断是根据美国衰老和老年痴呆症协会（NIA-AA）的标准做出的。 根据NIA-AA标准进行了aMCI诊断。 2.3EEG数据获取 根据国际10-20系统，将30个Ag / AgCl电极放在弹性帽（Easy-Cap；Brain Products GmbH；Gilching，德国）上记录脑电图，连接的耳垂电极 脑电图和EOG通过带有0.03–70 Hz带通滤波器的Brain Amp 32通道DC系统机器进行放大，并以500 Hz的采样率在线数字化（Brain Products GmbH；Gilching，德国 2.6 EEG加权相位滞后指数计算 将数据分为5s的段，然后用巴特沃斯滤波器分别在delta(1-4),theta(4-8),alpha1(8-10),alpha2(10-13),beta1(13
1K00发布于 2020-11-20 - 来自专栏干货满满
用更云原生的方式做诊断｜大规模 K8s 集群诊断利器深度解析
最后我们决定做一个更加云原生的诊断工具，使用 operator 实现集群跟诊断项的管理，抽象出集群跟诊断项的资源概念，以此来解决大规模 Kubernetes 集群的诊断问题，通过在中心下发诊断项到其他集群 ，用于在 Kubernetes 集群中执行诊断项以证明集群的各项功能是否正常，Kubeprober 有如下特点: 支持大规模集群 支持多集群管理，支持在管理端配置集群跟诊断项的关系以及统一查看所有集群的诊断结果 其实，Kubeprober 做的也是诊断 Kubernetes 集群这件事情，提供框架来编写自己的诊断项。 诊断项配置，诊断结果收集，未来也会解决大规模 Kubernetes 集群的运维问题。 可视化 Kubeprober 在多集群中根据 probe 的策略执行诊断项，会产生大量的诊断事件。
81120编辑于 2022-05-19 - 来自专栏全栈程序员必看
医学图像处理(医学图像处理研究生就业选择)
、超声诊断、放射诊断、核素诊断、介入放射学、核医学、医学影像解剖学、肿瘤放疗治疗学、B超诊断学。 MRI与fMRI 解析： （1）MRI扫的是大脑的结构图像，也叫T1权重图像。它有着很高的空间分辨率，可以从中看到非常清晰的解剖结 构，也可以从中区分出各种不同的组织。 这样就可以研究实验操作究竟是如何影响大脑的MRI 信号的。 11. Operating on regions （9）nilearn.mass_univariate: Mass-univariate analysis （10）nilearn.plotting: Plotting brain id=652799609557 [8] 天津医科大学医学影像诊断学：http://tj.jingpinke.com/xpe/portal/c791a316-1271-1000-bae6-e2511f149c90
2.4K31编辑于 2022-08-02 - 来自专栏思影科技
Molecular Psychiatry：神经影像机器学习对不同表型癫痫患者脑龄进行预测
并利用该模型计算了对照组与癫痫患者的脑龄预测差异（brain-predict age defferent，brain-PAD，即预测脑龄与生理年龄的差异）。 对病人的诊断由临床的癫痫医生依照癫痫发作症状以及脑电信息配合经验丰富的神经科医生参考核磁影像给出诊断。 按照《精神障碍诊断与统计指南》第四版要求，对颞叶癫痫患者作精确诊断。后面发现227个脑叶癫痫患者中有21个发作间期性精神病患者。其他病人中没有类似情况发生。 最后在空间标准化中对图像做降采样操作，将图像的空间分辨率降采样为8*8*8mm的同方向的体素大小（这样做可能主要考虑到体素数量的影响）。 TLE-HS（海马硬化的颞叶癫痫）组贡献了最高的预测脑龄差异，TLE-HS组的平均脑龄差异要显著高于TLE-NL（常规MRI正常的颞叶癫痫，MRI阴性的颞叶癫痫）组。
1.1K20发布于 2019-07-30 - 来自专栏未来先知
SCC-YOLO：集成 SCConv 到YOLOv9，脑肿瘤检测mAP提升，代码开源！
然而，由于脑肿瘤图像形态多样且边缘特征相对模糊[2]，通过磁共振成像（MRI）诊断脑肿瘤的过程对于临床医生来说既复杂又低效，导致误诊和漏诊的风险增加。 由Ahmed Hamada创建的数据集包含了803张带有标注脑肿瘤的MRI图像，分为501张训练图像、202张验证图像和101张测试图像。 这一发现表明，在医疗影像任务中，例如脑肿瘤辅助诊断，SCC-YOLO有效地整合了空间和通道信息，因此在性能上优于仅依赖SE注意力机制的模型。 作者的实验在数据集和自定义的Brain_Tumor_Dataset上进行了，结果表明SCC-YOLO在两个数据集上均优于原始的YOLOv9模型，分别实现了数据集上的平均精度均值（mAP）0.957和Brain_Tumor_Dataset 这些发现突出了SCC-YOLO架构在解决脑肿瘤检测相关挑战中的有效性，为医学影像技术的进步做出了贡献，并可能有助于提高诊断的准确性。
82310编辑于 2025-04-04
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