一、医学相关(3篇)
1.1 Generative Image Priors for MRI Reconstruction Trained from Magnitude-Only Images
用于磁共振成像重建的生成图像先验训练
https://arxiv.org/abs/2308.02340
目的：在这项工作中，我们提出了一个工作流程，以构建通用和强大的生成图像先验的幅度只有图像。先验然后可以用于重建中的正则化以改善图像质量。方法：工作流程从仅幅度MR图像的训练数据集的准备开始。该数据集然后用相位信息增强，并用于训练复杂图像的生成先验。最后，训练先验的压缩感知并行成像与各种欠采样方案使用线性和非线性重建进行评估。结果：我们的实验结果表明，在复杂图像上训练的先验优于仅在幅度图像上训练的先验。此外，在较大数据集上训练的先验表现出更高的鲁棒性。最后，我们证明了生成先验优于L1小波正则化压缩感知并行成像与高欠采样。结论：这些发现强调了结合相位信息和利用大型数据集来提高MRI重建的生成先验的性能和可靠性的重要性。相位增强使得可以使用现有的图像数据库进行训练。
1.2 Predicting Ki67, ER, PR, and HER2 Statuses from H&E-stained Breast Cancer Images
从H&E染色的乳腺癌图像预测Ki67、ER、PR和HER2状态
https://arxiv.org/abs/2308.01982
尽管机器学习和数字病理学取得了进展，但目前尚不清楚机器学习方法是否可以仅从组织形态学准确预测分子信息。为了回答这个问题，我们建立了一个大规模的数据集（185538张图像），对Ki67，ER，PR和HER2状态进行了可靠的测量。数据集由HE的镜像图像和免疫组织化学（IHC）测定（Ki67、ER、PR和HER2）的相应图像组成。这些图像通过配准进行镜像。为提高可靠性，检查单个对，如果存在伪影（组织折叠、气泡等），则丢弃。Ki67、ER和PR的测量值通过计算来自图像分析的H分数来确定。HER2测量基于二元分类：0和1+（IHC评分代表阴性子集）对比3+（IHC评分阳性子集）。排除IHC不确定评分（2+）的病例。我们表明，一个标准的基于ViT的管道可以实现预测性能约90%的曲线下面积（AUC）时，训练与适当的标签协议。最后，我们揭示了训练的分类器本地化相关区域的能力，这鼓励未来的工作，以提高本地化。我们提出的数据集是公开的：https://ihc4bc.github.io/
1.3 CartiMorph: a framework for automated knee articular cartilage morphometrics
CartiMorph：一种膝关节软骨形态自动测量框架
https://arxiv.org/abs/2308.01981
我们介绍CartiMorph，自动膝关节软骨形态测量的框架。它将图像作为输入，并生成软骨子区域的定量指标，包括全层软骨损失（FCL）的百分比，平均厚度，表面积和体积。CartiMorph利用深度学习模型的强大功能进行分层图像特征表示。针对组织分割、模板构建和模板到图像配准训练和验证深度学习模型。我们建立了基于表面法线的软骨厚度映射、FCL估计和基于规则的软骨分割的方法。我们的软骨厚度图显示薄和周边区域的误差较小。我们通过比较从模型分割和手动分割获得的定量指标来评估所采用的分割模型的有效性。FCL测量的均方根偏差小于8%，并且观察到平均厚度（Pearson相关系数$\rho \in [0.82，0.97]$）、表面积（$\rho\in [0.82，0.98]$）和体积（$\rho\in [0.89，0.98]$）测量的强相关性。我们将我们的FCL测量结果与以前的研究进行了比较，发现我们的测量结果与地面实况的偏差较小。我们观察到优越的性能，提出的基于规则的软骨parcellation方法相比，基于图谱的方法。CartiMorph有可能促进膝关节骨关节炎的成像生物标志物发现。
