XiaoMi-AI文件搜索系统
World File Search System于图
使用 CNN-LSTM 方法和基于图像的 GLCM 特征对颅内出血 (CT) 图像进行分类
摘要。使用基于特征的混合方法，将基于变换的特征与基于图像的灰度共生矩阵特征相结合。在对脑出血 CT 图像进行分类时，基于特征的组合策略比基于图像特征和基于变换特征的技术表现更好。使用深度学习技术（尤其是长短期记忆 (LSTM)）的自然语言处理已成为情绪分析和文本分析等应用中的首选。这项工作提出了一个完全自动化的深度学习系统，用于对放射数据进行分类以诊断颅内出血 (ICH)。长短期记忆 (LSTM) 单元、逻辑函数和 1D 卷积神经网络 (CNN) 构成了建议的自动化深度学习架构。这些组件均使用 12,852 份头部计算机断层扫描 (CT) 放射学报告的大型数据集进行训练和评估。
深度强化学习基于图形卷积Q-network的对话政策
抽象的深入强化学习（DRL）已成功应用于以任务为导向的对话系统的对话政策。但是，现有的基于DRL的对话策略方法中的一个挑战是它们的非结构化状态行动表示，没有能力学习对话状态与行动之间的关系。为了减轻此问题，我们为以任务为导向的对话系统提出了图形结构化对话策略框架。更具体地说，我们使用一种无监督的方法来构建两个不同的两部分图。然后，我们基于与双分部分图节点的匹配对话子群生成与用户相关的和知识相关的子图。使用图形卷积网络的变体来编码对话子图。之后，我们使用双向封闭式周期单元（BGRU）和自我发项机制来获得高级历史状态表示，并采用神经网络来获得高级当前状态表示。两种状态表示形式被加入以了解对话策略的行动价值。用不同的DRL算法实施的实验表明，所提出的框架显着提高了对话策略的有效性和稳定性。
针对基于图像的空间转录组学的准确单分子检测具有弱监督深度学习
图1：一个弱监督的深度学习框架，用于对空间转录组学数据的准确荧光斑点检测。（a）培训数据生成以进行点检测。点标记是通过通过生成建模在一系列常用的经典斑点检测算法中找到共识而产生的。然后使用这些共识标签来训练Polaris的点检测模型。顺序步骤与箭头链接；相关的方法和数据类型与实线链接。（b）示例图像的训练数据生成的演示。斑点位置被转换为编码的检测和距离图，这些检测图指导模型训练期间执行的分类和回归任务。斑点颜色对应于（a）中的注释颜色。（c）示例seq鱼图像的北极星点检测模型的输出。高于默认阈值的回归值设置为零。（b-c）中的回归图像是X和Y指导中平方像素回归的总和。（d）EM方法的示意图，以适合共识点注释创建的生成模型。
适用于图片早期职业发展学院
图片早期职业发展学院将提高25个早期先天性（儿科或成人）介入心脏病学家的专业发展。如果先天性心脏病（CHD）的微创治疗（CHD）是您实践的一部分（并且您在2019年至2023年之间完成了介入的培训），则在2月9日之前申请。该学院是一个独特的全球两年计划，融合了导师监督和基于团队的学习。该学院将满足计划董事，培训董事和早期职业医生确定的需求，以指导完成正式培训后。教学内容将涵盖临床主题，困难的情况，团队合作，医学推理，研究方法论，行业协作等等。谁应该申请学院？如果您在2019年至2023年之间完成了CHD介入培训，则该学院是为您设计的。将根据对所有应用程序的客观审查选择25张照片早期职业学院研究员。图片认识到，介绍冠心病的介入治疗的亚专业中有多种训练途径：研究金，指导，儿科或成人先天性心脏病学培训的一部分或其他培训。我们鼓励所有早期职业儿科/成人先天性心脏病学家的申请，他们将CHD视为当前临床责任的一部分学院的学习目标•增强知识基础
从像素到表型：将基于图像的分析与细胞健康数据相结合，因为生物形状提高了可解释性
抽象的细胞绘画测定产生的形态学特征是生物系统的多功能描述，并已用于预测体外和体内药物效应。但是，从经典软件（例如Cell -Profiler）提取的细胞绘画特征基于统计计算，通常在生物学上不易解释。在这项研究中，我们提出了一个新的特征空间，我们称之为生物层，该空间通过综合细胞健康测定法的读数来绘制这些细胞涂料的绘制。我们验证了所得的生物形状空间有效地连接到与其生物活性相关的形态学特征，而且对与给定生物活性相关的表型特征和细胞过程有了更深入的了解。生物形状空间揭示了各个化合物的作用机理，包括双作用化合物，例如蛋白质，蛋白质合成和DNA复制的抑制剂。总体而言，生物形态空间提供了一种与生物学相关的方法来解释使用细胞式诸如CellProfiler等软件得出的细胞形态特征，并生成用于实验验证的假设。
基于图像的手术伤口感染识别的机器学习方法：范围审查
背景：手术部位感染 (SSI) 频发，对患者和医疗保健系统造成影响。目前，由于需要临床医生进行手动评估，远程监控手术伤口受到限制。基于机器学习 (ML) 的方法近期已用于解决术后伤口愈合过程的各个方面，并可用于提高远程手术伤口评估的可扩展性和成本效益。目的：本综述旨在概述用于从图像中识别手术伤口感染的 ML 方法。方法：我们按照 JBI（乔安娜·布里格斯研究所）方法对用于 SSI 视觉检测的 ML 方法进行了范围界定审查。纳入了任何术后背景下的参与者的手术伤口感染识别报告。未涉及 SSI 识别、手术伤口或未使用图像或视频数据的研究被排除在外。我们于 2022 年 11 月在 MEDLINE、Embase、CINAHL、CENTRAL、Web of Science 核心合集、IEEE Xplore、Compendex 和 arXiv 中搜索了相关研究。对检索到的记录进行了双重筛选以确定是否符合条件。使用数据提取工具绘制相关数据图表，以叙述方式描述并使用表格呈现。对 TRIPOD（个体预后或诊断的多变量预测模型透明报告）指南的使用情况进行了评估，并使用 PROBAST（预测模型偏倚风险评估工具）评估偏倚风险 (RoB)。结果：总共有 10 条筛选出的独特记录符合资格标准。在这些研究中，临床背景和手术程序各不相同。所有论文都开发了诊断模型，但没有一篇进行外部验证。使用传统 ML 和深度学习方法从大多为彩色的图像中识别 SSI，所用图像的数量从不到 50 张到数千张不等。此外，至少有4项研究报告了10个TRIPOD项目，但少于4项研究报告了15个项目。PROBAST评估显示，9项研究被认定为总体RoB较高，1项研究的RoB总体不明确。结论：基于机器学习的图像识别手术伤口感染的研究仍属新兴领域，需要标准化报告。未来应解决与图像采集、模型构建和数据源差异相关的局限性。
基于图形设计元素的自动提取和重建
摘要。该研究旨在探索绘画和设计中的视觉和神经网络，并提出一种基于重复网络的绘画和设计元素以及计算机辅助设计（CAD）重建的方法。通过这种方法，希望在提供更具创造力的灵感的同时，可以自动提取和重建绘画设计元素。本文调查了如何使用RNN实现绘画和设计元素的自动提取，包括线条，颜色，构图和其他元素的识别和提取。此外，该研究详细讨论了如何重建CAD中提取的绘画设计元素，并实现设计元素的参数化表示，以进行后续编辑和修改。改进前图像匹配错误率在9％至10％之间，而提高的匹配错误率为3％至5％。这表明改进的方法可显着降低图像匹配的错误率。提高前的最低错误率为9％，而改善后的最大错误率为4.5％，进一步验证了改进方法的有效性。通过限制模型参数，正则化项可防止在训练数据上过度拟合模型，从而使模型可以更好地概括到测试数据并提高匹配的准确性。
智能数字双胞胎的基于图像的深度学习
摘要 - 越来越多地使用数字双胞胎（SDT S）来通过连续数据同化来实际上复制和预测复杂物理系统的行为，从而通过控制系统的作用来优化这些系统的性能。最近，深度学习（DL）模型显着增强了SDT S的功能，特别是对于诸如预测性维护，异常检测和优化等任务。在包括医学，工程和教育在内的许多领域中，SDT的使用图像数据（基于图像的SDT S）来观察和学习系统行为并控制其行为。本文通过不断地模拟物理系统的图像数据来开发基于图像的SDT S的各种方法和相关挑战。本文还讨论了为SDT S设计和实施DL模型所涉及的挑战，包括数据采集，处理和解释。此外，还提供了开发新的基于图像的DL方法来开发可靠SDT S的新方向和机会的见解。这包括使用生成模型进行数据增强，开发多模式DL模型以及探索DL与其他技术（包括5G，Edge Computing和IoT）集成的潜力。在本文中，我们描述了基于图像的SDT，该SDT能够在广泛的领域中更广泛地采用数字双DT范式，以及开发新方法以提高SDT S在复制，预测和优化复杂系统行为方面的能力。
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
基于图形的加权定向自动癫痫发作检测，有效的脑电图
癫痫发作是最常见的神经系统疾病之一，其特征是大脑中神经元的突然异常排出。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。 本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。 在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。 通过分析大脑不同区域之间的相关性来构建加权定向图。 然后，基于图理论的措施用于提取分类的特征。 此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。 结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。 这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。通过分析大脑不同区域之间的相关性来构建加权定向图。然后，基于图理论的措施用于提取分类的特征。此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。