Radiology第12期:淋巴系统及其相关疾病的成像和干预

《图像处理与计算机视觉》全套课件PDF(武汉工程大学) 获取 《图像处理与计算机视觉》全套课件PDF(武汉工程大学)::https://download.youkuaiyun.com/download/m0_54748666/93260852。《图像处理与计算机视觉》全套课件PDF(武汉工程大学)第二讲-图像及其表达与性质.pdf。第五讲-图像形态学变换.pdf。第四讲-图像数据压缩.pdf。第三讲-图像预处理.pdf。第六讲-图像分割.pdf。第七讲-目标识别.pdf。第一讲-导论.pdf。 阅读详情

P1: Imaging and Interventions for Lymphatic and Lymphatic-related Disorders 

概要

淋巴系统的扰动会导致各种器官的严重疾病,淋巴成像和介入技术的创新为以前无法实现的诊断和治疗提供了机会。

淋巴系统在体液平衡稳态中至关重要。然而,直到最近,由于缺乏强有力的成像和介入选择,淋巴成像一直不处于主流医学。然而,在过去的20年中,临床淋巴成像和干预措施都显示出了巨大的进步。成像进展的关键一直是造影剂通过富含淋巴组织的间质递送。这些技术包括结内淋巴管造影和动态增强MR淋巴管造影。这些方法提供了对淋巴解剖和病理状况进行成像和识别的能力。经皮胸导管插管和栓塞成为第一个被广泛接受的治疗淋巴管瘘的介入技术。间质淋巴管栓塞以及肝脏和肠系膜淋巴管干预的进展,拓宽了可能的淋巴干预范围。此外,最近的淋巴减压技术允许治疗各种淋巴疾病。最后,中心淋巴液的免疫学研究揭示了淋巴干预对免疫的潜在影响。这些进展预示着未来几年淋巴成像和干预的新篇章。

             

P2: Using Machine Learning to Reduce the Need for Contrast Agents in Breast MRI through Synthetic Images

概要

背景

减少乳腺增强MRI所需的对比剂用量是可行的。

目的

为了研究生成对抗网络(generative adversarial networks, GANs )是否可以从未增强图像和虚拟低对比度增强图像中恢复增强的乳腺MRI扫描。

材料与方法

在2010年1月至2019年12月进行的乳腺MRI回顾性研究中,通过在现有的对比增强图像中添加虚拟噪声来产生模拟低对比度图像。然后训练GAN从模拟低对比度图像(方法A )或从未增强的T1和T2加权图像(方法B )中恢复对比度增强图像。由2名经验丰富的放射科医师采用两种方法区分真实和合成的对比增强图像。在真实对比增强图像和合成对比增强图像上增强病灶的图像外观和清晰度进行独立比较,并在5点Likert量表上进行评分。

结果

共纳入5086例患者的9751次乳腺MRI检查。对图像的性质视而不见的读者无法区分真实的和合成的对比增强图像。测试集包括有增强病灶和无增强病灶的图像。当阅片者同时比较真实和合成对比增强图像的外观时,方法A图像的评分显著高于方法B。

结论

生成对抗网络可能有助于减少造影剂剂量的乳腺MRI。

        

P3: AI Cardiac MRI Scar Analysis Aids Prediction of Major Arrhythmic Events in the Multicenter DERIVATE Registry

概要

背景

在单中心研究中,瘢痕负荷联合延迟钆剂增强(late gadolinium enhancement, LGE )心脏MRI (cardiac MRI, CMR )预测梗死后患者心律失常事件。然而,LGE分析需要有经验的专家,耗时并且引入了不确定性。

目的

检验具有LGE CMR的梗死后瘢痕是否可以完全自动量化,比较人和机器分析的LGE CMR瘢痕预测心律失常事件的能力。

材料与方法

本研究为一级预防植入型心律转复除颤器DebrillAtor ThErapy (DebrillAtor ThErapy, DERIVATE)注册的多中心、多厂商的回顾性分析。纳入慢性心力衰竭、超声心动图左室射血分数(left ventricular ejection fraction, LVEF )小于50 %、LGE CMR的患者。在目前的研究中,仅纳入缺血性心肌病患者。由2名有经验的阅片者或Ternaus网络对总瘢痕、致密瘢痕和疏瘢痕进行量化,分别用515例和246例患者的LGE图像进行训练和测试。采用单变量和多变量Cox分析评估与主要不良心脏事件(major adverse cardiac event, MACE )相关的患者和心脏特征。

结果

761例患者中,发生MACEs 83例。在使用测试组的情况下,单变量Cox分析发现纽约心脏协会分级、左心室容积和/或功能参数、指南标准和人类分析或机器学习算法的LGE瘢痕作为MACE的预测因素。基于机器分析的致密或完全瘢痕赋予了超过指南标准的与MACE关联的增量值。

结论

在这项关于一级预防植入型心律转复除颤器的多中心CarDiac MagnEtic Resonance的DebrillAtor ThErapy注册分析中,基于全自动机器学习的晚期钆剂增强分析可靠地量化了心肌瘢痕质量,并改进了目前使用基于指南的植入型心律转复除颤器植入风险标准的预测模型。

         

P4: Recurrence Patterns and Patient Outcomes in Resected Lung Adenocarcinoma Differ according to Ground-Glass Opacity at CT

概要

背景

尽管具有磨玻璃样病变(ground-glass opacity, GGO )的肺腺癌具有独特的特征,但关于肺腺癌患者术后复发模式和预后是否因CT上GGO的存在而不同的数据有限。

目的

根据CT上的GGO,分析肺腺癌术后患者的复发模式及其与预后的关系。

材料与方法

回顾性纳入2010年7月至2017年12月因肺腺癌行CT检查后行肺叶或全肺切除术的患者。根据有无GGO将患者分为两组:GGO腺癌和实性腺癌。比较两组患者随访CT检查时的复发模式。采用Cox回归评估患者分组对复发时间、复发/转移后生存率(postrecurrence survival, PRS )和总生存期(overall survival, OS )的影响。

结果

1019例患者中,GGO腺癌487例,实性腺癌532例。实性腺癌患者较GGO腺癌患者更易复发。远处转移是实性腺癌组和所有临床分期组最常见的复发方式。在临床I期GGO腺癌中,所有区域复发表现为同侧肺转移,无区域淋巴结转移。临床分期为Ⅰ期的实性腺癌患者更易发生脑转移。GGO的存在与复发时间和OS相关。复发模式是PRS的独立危险因素。

结论

复发模式、复发时间和总生存期在CT有磨玻璃影和无磨玻璃影的患者之间存在差异,且复发模式与复发/转移后生存率相关。         

          

P5: Normative Cerebral Hemodynamics in Middle-aged and Older Adults Using 4D Flow MRI: Initial Analysis of Vascular Aging

概要

背景

表征老年人的脑血管血流动力学特征对于识别疾病和理解神经血管老化具有重要意义。四维( 4D )血流MRI允许在单次采集中全面评估脑血流动力学。

目的

建立大样本中老年人( > 65岁)颅内血流和搏动指数的参考值,表征年龄和性别对血流和搏动的影响。

材料与方法

本研究为回顾性研究,患者年龄45 ~ 93岁,于2010年3月至2020年3月行头颅4D flow MRI检查。收集13条主要动脉和4个静脉窦的血流速度和搏动指数以及全脑血流量。对30例患者进行了血流和搏动测量的观察者内和观察者间可重复性评估。对全组及按年龄、性别分组的血流及搏动性进行描述性统计(平均值±标准差)。采用多元线性回归和线性混合效应模型分别评估年龄和性别对全脑血流量、血管特异性血流量和搏动性的影响。

结果

共有759例患者纳入分析。对于观察者内和观察者间的可重复性,所有血管的流量和搏动测量的组内相关系数中位数均大于0.90。多元线性回归的回归系数β ±标准误差显示每年总脑血流量下降4 m L / min。混合效应显示所有血管的血流量平均每年减少1 mL / min,搏动性平均每年增加0.01个任意单位( au )。血流无性别差异,但女性患者搏动性较高。

结论

使用四维血流MRI获得的血流和搏动的正常参考值与年龄具有相关性。

yolov5深度剖析+源码debug级讲解系列(一) yolov5的架构和源码debug准备 前言 前段时间分析了yolov3的源码,这次想带着小伙伴一起把yolov5完全掌握。博主还是保持着一贯的风格,依旧采用debug级别的源码剖析。目的就是让大家可以通过一个系列的文章就把yolov5的架构、设计理念和每一行源码都弄懂。只要小伙伴可以花时间把这个系列读完,就会对yolov5的理解有所提升。 去年参加了kaggle的小麦检测比赛,yolov5在比赛的中段开始呈现霸榜趋势,超越了efficientdet。虽然最后yolov5因为权限等某些问题被kaggle官方禁用了,但是仍然体现出了其强大的能力。值 阅读详情

相关推荐

读书笔记:深度学习入门-基于python的理论与实现(俗称鱼书)

终于从头到尾把鱼书看完啦,真的是非常入门,非常查漏补缺,对新手很友好,对有一定基础的人也非常不错。看完不复习等于没看,所以今天开始复盘,顺便写这篇读书笔记。希望分享给没看过这本书或者看过这本书的同僚们参考,欢迎大家指教。我将从第三章神经网络开始复习,前两章内容书里已经非常基础and清楚了。(会持续更新滴).........

博客而已 1万+

机器学习项目实战——12集成学习算法之乳腺癌预测

机器学习项目实战——12集成学习算法之乳腺癌预测

weixin_45823221的博客 1570

从拧螺丝到精密装配:三菱伺服电机扭矩控制在工业自动化中的实战解析

本文深入解析三菱伺服电机扭矩控制在工业自动化中的实战应用,重点介绍MR-J4系列伺服系统的高精度扭矩响应技术。从螺丝紧固到精密装配,详细讲解扭矩控制模式的选择、硬件配置、参数设置及典型故障排查方案,帮助工程师提升生产效率和产品质量。

weixin_29186249的博客 471

基于深度学习的猫狗目标检测(Python+YOLO26m+Django)实现详解

详解基于深度学习的猫狗目标检测系统:YOLO26m迁移学习训练、数据划分与错标检测、ONNX导出、Energy阈值拒识、Django+Vue网站部署,附后端核心代码。

WEIXIN_JSJBSZDS的博客 366

COMSOL中的动网格

首先我们先了解几个概念 (1)网格重划分(remesh):就是在某些特定的区域进行网格的重新划分,在Maxwell软件中的直线运动区域,当运动物体运动后,这个区域进行重新划分。 (2)morph:网格不重新划分,小范围的进行网格变形,针对运动物体运动位移较小,对变形区域不进行重划分,能够提高效率。 (3)网格滑移(sliding):针对圆形运动区域,运动与非运动区域进行网格滑移,当然边界上两侧网格不共节点,该方法不需要网格重新划分,大部分软件针对圆形运动区域采用该方法,比如maxwell的band,b

midiio的博客 7873

vins-fusion环境配置、安装与测试

本文主要介绍如何搭建vins-fusion的运行环境,以及解决vins-fusion编译运行时遇到的环境冲突问题,并在此基础上实现例程的运行。

qq_52068373的博客 1万+

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

航拍水葫芦检测数据集深度学习 目标检测 无人机航拍 水葫芦 水域监测 YOLO格式 数据集发布9031期

qq_2529413168的博客 297

MuJoCo Playground 机器人强化学习入门教程(一)

MuJoCo Playground 包含 DM 控制套件、机器人运动和机器人操作环境。env每个环境还与一个环境配置相关联,如果需要,可以覆盖该配置。env_cfg请注意,环境配置包含 sim_dt 和 ctrl_dt。ctrl_dt 决定每个 env.step 的时间间隔。因此,每个 env.step 的模拟步长为 ctrl_dt / sim_dt 倍。其他值得注意的参数还有 vision_config,我们将在基于视觉的笔记本中详细讨论!现在,我们将专注于特权观察。

2506_90492529的博客 4619

基于 YOLOv8 的轴承缺陷检测(Web 版)

本项目是轴承表面缺陷检测模型的 Web 端实现。围绕 YOLOv8 在轴承表面缺陷数据集上完成四类缺陷的检测模型训练后,使用 FastAPI 把模型能力封装为可直接登录使用的 Web 检测平台。平台覆盖从数据准备、模型训练、指标评估,到推理服务、历史沉淀、统计分析的完整链路。除了常规的图片、批量、视频、摄像头检测,还把模型训练搬到了网页上:可以在浏览器里配置超参数发起真实训练,训练中在线调整学习率、查看实时曲线与日志,训练完成后把权重一键应用到检测服务,形成「训练 → 评估 → 检测」的闭环。

Michael_Jay的博客 289

Trae的付费之路还挺艰难,茫茫多的人想付付不了(附解决办法)

不得不说,Trae国际版这个付费其实整的挺复杂的,但没办法,毕竟有政策限制,付费成功后,你就是尊贵的Pro用户啦,使用Claude 4不排队还是挺爽的,而且600次其实不算少了,有一个小技巧,简单的问题就把模型切到Gemini-2.5-flag,因为使用这个模型是没有次数限制的。其次付费的时候有个ZIP Code,这东西也是个迷之存在,有的地区节点需要填,有的不需要,如果你选到了不需要填的节点,那很好,付费就行了,如果需要填,可以填一个51800试试。

cpp加油站的专栏 5881

前程无忧Python岗位数据采集:基于API直连的高效招聘信息爬取实战

本文介绍了一个基于Python requests库的前程无忧招聘数据采集系统。项目通过分析API接口结构,配置完整的请求头和身份验证参数,实现了高效稳定的数据采集。系统支持多页数据批量获取,包含工作名称、薪资范围等关键字段的结构化解析,并将结果存储为Excel文件。技术实现涉及API分析、身份验证、请求头配置、数据清洗等关键步骤,同时强调遵守法律和道德规范。该系统可为求职者、HR和市场分析师提供有价值的行业数据支持,适用于市场分析、职业规划等场景。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 1553

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

qq_2529413168的博客 226

向华为学习——解读华为战略规划SP与业务计划BP流程【附全文阅读】

该方案针对大中型企业高管及战略团队,系统拆解华为SP(4-9月中长期规划)与BP(10-12月年度执行)双轨体系,形成"战略制定-业务设计-资源配置-绩效解码"闭环。SP侧重市场趋势分析、业务优先级与资源分配,BP细化KPI、预算及行动计划。通过价值树、战略解码等工具实现战略到部门/个人的目标分解,强化跨部门协同与过程管控。配套17份华为实战资料(包括战略管理、流程优化、销售组织建设等核心方法论),助力企业建立规范的战略执行体系,实现资源优化与绩效落地。

cdfunlove的博客 772

YOLO算法室内环境玻璃瓶目标检测数据8979张:类别与标注速览

该数据集聚焦于室内环境中各类玻璃瓶的识别与定位,涵盖多种材质、颜色和形状的玻璃容器,适用于家庭、仓储、零售等场景下的物品管理与自动化识别需求。该数据集包含训练集7812张、验证集818张、测试集349张,共计8979张图像,分布结构合理,能够有效支持模型训练、调优与性能评估。落地场景大致有智能仓储管理系统、自动分拣设备、零售商品识别系统以及家庭安防监控等领域,尤其适用于需要对玻璃制品进行分类与追踪的工业与消费场景,具备良好的落地潜力与实用前景。数据量、场景复杂度、标注质量三样都过关,这份数据可以直接开训;

小秋的博客 250

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

桥梁挠度、隧道断面怎么自动测?视觉位移监测仪接入既有监测系统的实施笔记

视觉位移监测设备接入第三方平台,核心挑战不在通信协议,而在数据约定:测点身份、方向、单位、时间基准与状态位需提前对齐。项目按“项目—设备—数据类型”分级,消息体含完整字段(如采集时间、位移值、状态码、图像索引),支持高频采样与断网补传。补传以唯一键去重,分批限速;告警本地触发并同步上报。对接时需确认八项清单,包括字段映射、主题树、阈值等。设备具备双链路备份、宽温防护与自动角度校正,实测精度优于1mm,保障长期稳定运行。

weixin_43963569的博客 409

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【无标题】无人机航拍高清农田及田内附着物检测数据集深度学习 目标检测 无人机航拍 农田检测 智慧农业 YOLO格式 数据集发布9034期

无人机航拍高清农田及田内附着物检测数据集深度学习 目标检测 无人机航拍 农田检测 智慧农业 YOLO格式 数据集发布9034期

qq_2529413168的博客 203

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

深度学习 目标检测 海上搜救 无人机巡检 海事安防 YOLO格式 数据集发布9036期

大规模海上人员搜救检测数据集深度学习 目标检测 海上搜救 无人机巡检 海事安防 YOLO格式 数据集发布9036期

qq_2529413168的博客 157

OpenCV入门:计算机视觉最常用的库安装与配置

OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库。全文依次讲解OpenCV安装与配置、图像基本操作、OpenCV绘图函数、视频处理、GUI操作详解、图像处理进阶、特征检测与匹配、图像拼接实战、相机标定、轮廓检测与分析、OpenCV与深度学习等内容。

2602_96795563的博客 386

OpenCV 车辆数量统计

涉及到的知识点:1)基本图像运算与处理2)形态学3)轮廓查找4)加载视频5)通过形态学识别车辆6)对车辆进行统计7)显示车辆统计信息。

ahccqw的博客 99

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 178

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 207

计算机视觉主要任务分类:分类、检测、分割、生成全解

计算机视觉是一个高度多样化且仍在快速扩展的领域。本文的目标是为读者提供一份关于计算机视觉四大核心任务的全面指南。我们将从定义、数学描述、评估指标、经典算法和代表应用五个维度,对每个任务进行深入剖析。全文依次讲解图像分类:计算机视觉的基石、目标检测:定位与识别、图像分割:像素级理解、图像生成:从无到有的创造、四大任务的对比与内在联系等内容。

2602_96795563的博客 388

无人机影像落叶松林健康评估检测数据集 | 落叶松健康评估 林业病害监测 无人机航拍 密集目标检测9320期

本数据集聚焦于无人机航拍视角下的落叶松林健康状态评估与受损程度检测。 主要服务于林业病害监测、森林资源评估、火灾及风灾后的灾情定损。

qq_2529413168的博客 260

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 204

COF AOI 第5课:为什么切分出一颗 COF 后,还要通过 Mark 点进行定位和图像校正?

Mark 是机器视觉中的定位标记,也叫基准标记、定位标记。它通常是产品设计时预先设置的、具有明显视觉特征的图形。例如:Mark 点可能采用:圆形标记;十字形标记;方形标记;特定的几何图案。它有一个重要特点:Mark 的位置相对于产品本身是确定的。产品标准坐标系│ ││ ○ Mark ││ ││ ││ 检测区域 ││ │假设 Mark 点在产品标准坐标系中的位置是:那么,不管产品在相机图像中向左偏了多少,只要找到 Mark,就可以推算产品实际的位置。

wh_xia_jun的专栏 313

OW-VAP:面向开放世界目标检测的视觉属性解析

开放世界目标检测(Open World Object Detection,OWOD)要求检测器能够持续识别并学习新的类别。现有方法依赖大型语言模型(Large Language Model,LLM)描述已知类别的视觉属性,并利用这些属性标记潜在目标。然而,这类方法的性能受到LLM描述准确性的影响,且在增量学习过程中如何选择合适的属性仍然面临挑战。本文提出了一种新颖的开放世界目标检测框架OW-VAP,该框架无需依赖LLM,仅需少量目标描述即可实现未知目标检测。

qq_22583741的博客 338
上一篇: 急性缺血性卒中缺血半暗带体积测量:多延迟ASL与CTP对比研究
下一篇: Human Brain Mapping:基于BOLD-Delay的脑灌注成像
「已注销」
博客等级 码龄4年 13粉丝 20原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值