Neonity
Invite-only AI workspace

把想法,变成清晰的下一步。

Neonity Chat 是一个克制、快速的多模型 AI 工作台。少一点界面噪音,多一点真正推进工作的思考空间。

5

可选模型

Markdown

结构化输出

KaTeX

数学公式

Neonity workspace
Online
帮我把零散的产品想法整理成一份清晰的执行计划。
已整理为三个推进阶段

1. 明确核心结果

先用一句话定义用户完成任务后获得的可验证变化。

2. 收敛首个版本

  • 只保留支撑核心结果的能力
  • 为每项能力设定验收信号
下一步:用 30 分钟写出一页产品假设,并邀请 3 位目标用户验证。

继续追问或开始新的任务…

MiniMax M2.7
Real output preview

不只是回答,把知识讲清楚。

这是 Neonity Chat 的真实输出样式:同一条回复里同时呈现结构化 Markdown、KaTeX 公式、表格、代码框和知识图片。

输入「请解释一下 MRI 原理」即可得到类似结果
Neonity AI
Markdown · KaTeX
请详细解释一下 MRI 成像原理,并说明 K 空间和 T1/T2 加权的作用。

MRI 成像原理解析

磁共振成像(MRI)是一种利用原子核在磁场中的共振现象获取人体内部结构图像的无创医学影像技术。

磁共振成像(MRI)原理示意图:从氢质子、主磁场和射频脉冲到梯度编码与图像重建的流程


一、基本物理原理

1. 质子自旋

  • 人体约 70% 由水(H₂O)组成
  • 水中氢原子核(质子)具有自旋特性,产生微小磁场
  • 在无外加磁场时,这些质子的磁化方向随机分布

2. 外部磁场作用

  • 施加强大静磁场(B₀)后,质子磁化矢量沿磁场方向排列
  • 大部分处于低能态,小部分处于高能态
  • 形成宏观纵向磁化矢量(MzM_z)

3. 拉莫尔频率

ω0=γ×B0\omega_0 = \gamma \times B_0

其中 γ 为旋磁比,B₀ 为磁场强度。质子进动频率与磁场强度成正比。


二、信号激发与采集

1. 射频脉冲(RF Pulse)

  • 发射特定频率的射频脉冲
  • 当频率等于拉莫尔频率时,发生核磁共振
  • 质子吸收能量,从低能态跃迁至高能态
  • 90° 脉冲可将宏观磁化矢量翻转到横向平面

2. 弛豫过程

脉冲关闭后,系统恢复平衡状态:

类型含义主导因素
T1 弛豫纵向磁化矢量恢复时间组织分子特性
T2 弛豫横向磁化矢量衰减时间组织分子运动

3. 信号采集

  • 质子进动切割接收线圈
  • 产生随时间衰减的自由感应衰减信号(FID)
  • 也可以采集自旋回波信号(SE),减小磁场不均匀的影响

三、空间编码与图像重建

1. 梯度磁场

梯度作用
选层梯度(Gz)选择成像层面
相位编码梯度(Gy)编码垂直方向位置信息
频率编码梯度(Gx)编码水平方向位置信息

2. K 空间与傅里叶变换

  • 采集的原始数据存储于 K 空间(傅里叶变换域)

  • K 空间中心主要包含对比度信息(低频)

  • K 空间周边主要决定空间分辨率(高频)

  • 通过二维傅里叶变换将 K 空间数据转换为最终图像

    ┌─────────────────────────────────────┐ │ MRI 系统架构 │ ├─────────────────────────────────────┤ │ 1. 主磁体 → 产生均匀静磁场(B₀) │ │ 2. 梯度线圈 → 空间定位 │ │ 3. 射频系统 → 激发与接收 │ │ 4. 计算机系统 → 控制、重建、显示 │ │ 5. 屏蔽系统 → 磁屏蔽与射频屏蔽 │ └─────────────────────────────────────┘


四、T1/T2 加权成像

加权类型重点临床应用
T1 加权结构显示,脂肪高信号解剖成像、脑白质/灰质区分
T2 加权病变检测,水分高信号肿瘤、炎症、水肿
PD 加权质子密度对比软骨、脊髓

五、MRI 优势与局限

优势: 无电离辐射、软组织对比度优异、多参数多方位成像,并支持 fMRI、DWI、MRS 等功能成像。

局限: 成像时间相对较长、对运动敏感,部分心脏起搏器或金属植入物患者存在禁忌,检查成本也相对较高。

这张示意图把“质子 → 主磁场 → RF 激发 → T1/T2 弛豫 → 梯度编码 → K 空间 → FFT 重建”的完整链路放在了一起。

Designed for focus

能力更丰富,界面依然安静。

每个功能都围绕一个目标:让你更快进入问题,而不是花时间管理工具本身。

Model routing

一个工作台,多种模型

在同一个 Composer 中切换 MiniMax、DeepSeek 与 GLM,根据任务选择速度、推理和表达风格。

Rich output

让复杂回答保持清晰

原生呈现 Markdown、代码块和 KaTeX 数学公式,长内容依然有结构、可阅读。

Cloud history

思考不会散落在标签页里

对话记录自动保存到云端,支持搜索、重命名和置顶,随时回到上次的上下文。

Model lineup

不被单一模型定义。

同一个问题可以有不同解法。保留选择权,在速度、深度与成本之间找到更合适的平衡。

01

MiniMax M3

02

MiniMax M2.7

03

DeepSeek V4 Flash

04

GLM-5.2

05

GLM-5.3 Flash

Your next thought starts here

给重要的想法,一个更专注的工作台。

登录使用