The phase unwrapping technique is only applicable to the fat-water separation problems with IP/OP acquisition. This work developed a transition approach that enabled phase unwrapping technique applicable to fat-water separation with arbitrary TE combination. By establishing intermediate variables, the proposed method provided an effective way to diminish the traditional “ambiguity” problem. To validate the concept, datasets acquired with various field strength, anatomical areas and acquisition types (two-point and six-point acquisition) were applied, and no fat-water swaps were observed.

Background Breast cancer (BC) in adolescents and young adults (AYAs, aged 15–39 years), remains inadequately understood. The incidence of BC in AYAs has been steadily increasing, making it the second leading cause of cancer-related mortality among females aged 0–39 globally. This study aimed to elucidate the clinical characteristics and long-term outcomes of AYAs and older adults (OAs, aged > 39 years) with BC who underwent surgery. Methods From January 2011 to June 2017, BC patients who underwent surgery were enrolled in this study and divided into AYA group and OA group. Clinical characteristics, recurrence-free survival (RFS), and overall survival (OS) were compared between these two groups, both before and after propensity score matching (PSM). Univariate and multivariate Cox proportional hazard regression analyses were performed to assess the influence of age on OS and RFS. Results Compared to the OA group, the AYA group exhibited a younger age at menarche (p < 0.001), a lower prevalence of menopausal status (p < 0.001), a reduced occurrence of comorbid conditions (p < 0.001), fewer instances of undergoing mastectomy (p = 0.031), a higher incidence of Triple-Negative Breast Cancer (TNBC) (p = 0.046), and elevated Ki-67 levels (p = 0.036). In terms of prognostic outcomes, within the study cohort, AYAs had a higher mortality rate and poorer long-term survival compared to OAs, both before and after PSM. In the PSM cohort, AYAs experienced a significantly shorter median OS (p < 0.001) and RFS (p < 0.001). Young age (15–39 years) emerged as an independent risk factor for OS (HR 2.659, 95% CI 1.385–5.106, p = 0.003) and RFS (HR 3.235, 95% CI 2.085–5.022, p < 0.001) in BC patients following surgery. Conclusion Significant differences were identified in the clinicopathological characteristics between AYA and OA patients with BC. In comparison to OA patients, AYA patients exhibited a less favorable long-term prognosis, with young age emerging as an independent prognostic risk factor for both OS and RFS in BC patients following surgery. Further investigations are warranted to develop age-specific therapeutic approaches for AYA BC patients.

Abstract Spatially resolved omics technologies generating multimodal and high-throughput data lead to the urgent need for advanced analysis to allow the biological discoveries by comprehensively utilizing information from multi-omics data. The H&E image and spatial transcriptomic data indicate abundant features which are different and complementary to each other. AI algorithms can perform nonlinear analysis on these aligned or unaligned complex datasets to decode tumoral heterogeneity for detecting functional domain. However,the interpretability of AI-generated outcomes for human experts is a problem hindering application of multi-modal analysis in clinic. We presented a machine learning based toolchain called StereoMM, which is a graph fusion model that can integrate gene expression, histological images, and spatial location. StereoMM firstly performs information interaction on transcriptomic and imaging features through the attention module, guaranteeing explanations for its decision-making processes. The interactive features are input into the graph autoencoder together with the graph of spatial position, so that multimodal features are fused in a self-supervised manner. Here, StereoMM was subjected to mouse brain tissue, demonstrating its capability to discern fine tissue architecture, while highlighting its advantage in computational speed. Utilizing data from Stereo-seq of human lung adenosquamous carcinoma and 10X Visium of human breast cancer, we showed its superior performance in spatial domain recognition over competing software and its ability to reveal tumor heterogeneity. The fusion approach for imaging and gene expression data within StereoMM aids in the more accurate identification of domains, unveils critical molecular features, and elucidates the connections between different domains, thereby laying the groundwork for downstream analysis.

Hyperspectral image (HSI) classification with limited training samples remains a challenging task due to the high cost and time consumption of collecting labeled samples. In recent years, semi-supervised image classification methods have garnered widespread attention, as they address the scarcity of labeled samples and enhance classification accuracy by leveraging the inherent relationships between labeled and unlabeled samples. In this paper, we introduce a semi-supervised classification method based on multi-scale spectral-spatial graph attention network (MSSGAT). We construct multiple neighborhood graphs with different scales, where all samples (including training and testing samples) are represented as nodes, and exploit the spectral-spatial features with different receptive fields. These features are then fed into the graph attention network to learn attention coefficients between neighboring nodes and self-attention coefficients for target nodes, which are further aggregated to extract more discriminative features for enhancing HSI classification accuracy. The experimental results on the Indian Pines, Salinas and Pavia University datasets demonstrate its competitive performance. The overall accuracy ( OA ) scores are 99.36 %, 99.59 % and 96.85 %, respectively, which exceed the state-of-the-art ( SOTA ) models.

Motivation: Long scan time significantly hinders the widespread applications of three-dimensional multi-contrast cardiac magnetic resonance (3D-MC-CMR) imaging. Goal(s): This study aims to accelerate 3D-MC-CMR acquisition by a novel method based on score-based diffusion models with self-supervised learning. Approach: We first establish a mapping between the undersampled k-space measurements and the MR images, utilizing a self-supervised Bayesian reconstruction network. Secondly, we develop a joint score-based diffusion model on 3D-MC-CMR images to capture their inherent distribution. The 3D-MC-CMR images are finally reconstructed using the conditioned Langenvin Markov chain Monte Carlo (MCMC) sampling. Results: This approach enables accurate reconstruction with high acceleration rates up to 14. Impact: The proposed method is trained in a self-supervised manner and therefore particularly suited for 3D CMR imaging that lacks fully sampled data.

Motivation: Manual centerline Extraction based on black-blood Magnetic resonance vessel wall imaging is a difficult and time-consuming but important step for further analysis of plaques. Goal(s): To propose a method for quickly, automatically and accurately extracting the centerline and label the segments of the target arteries. Approach: This study proposes a method that combines deep learning and traditional graphics method for the automatic and accurate centerline extraction and even segments labeling, which is applicable to flexible MR sequences (only black-blood images, only bright-blood images, or both). Results: Compared with the ground truth, the proposed method achieved excellent completeness and accuracy in a short time. Impact: This study introduces a flexible (MRVWI or/and TOF-MRI), swift, and precise approach for extracting and labeling the centerline of target vessel. With this method, radiologists can more conveniently and efficiently observe potential abnormal areas around vessel and diagnose vessel-related diseases.

Motivation: With the assistance of prior vessel wall mask, segmentation of atherosclerotic plaque can achieve satisfactory performance. However, manual sketching of vessel wall mask is still time-consuming. Goal(s): To propose a method for fast and accurate plaque segmentation without relying on prior knowledge of vessel walls. Approach: This study proposes a deep learning model based on a multi-head loss design for automatic segmentation of carotid artery plaques, with the aim of reducing dependence on prior information of vessel walls in plaque segmentation. Results: In the independent test, the model with the multi-head loss design achieving excellent results similar to using vessel wall prior. Impact: This study achieved fully automatic and accurate plaque segmentation without manual priors, which will greatly reduce burden of radiologist to segment and quantify plaque, and also contribute to more efficient stroke risk assessment, progress monitoring, and efficacy evaluation for patient.