复合材料是材料科学和工程中最重要的材料,包含两种或两种以上的材料。在材料工程中,扫描电子显微镜 (SEM) 技术是一种测量材料粒度的方法。一种替代 SEM 的新程序被称为人工智能 (AI)。人工智能 (AI) 是一门跨学科科学和计算机科学的分支,涉及解决需要人类智能和能力的问题。计算机视觉是人工智能的一个子领域,它使用一些算法通过使用计算机(称为图像处理)来检测图像的细节。检测粒子并测量 SEM 扫描的材料尺寸是一项重要任务,有助于描述其特征,传统上,尺寸是通过在 SEM 图像中添加网格或在任意粒子中绘制对角线来手动计算的。本文提出了一种基于人工智能 (AI) 的新模型,使用计算机视觉来分析所有粒子的尺寸。该模型用于检测复合材料(如石墨烯薄片)中添加剂的粒度,并根据扫描电子显微镜 (SEM) 上固定的参考尺寸测量它们的尺寸。该模型基于开源计算机视觉(OpenCV)库,利用多层 Canny 边缘检测、Sobel 滤波器、亮度和对比度算法,使用 Python 3。结果以非常低的处理时间 = 0.2 毫秒实现了非常满意的指示。
可以轻松地从指示信号的阳极像素中确定。确定相互作用深度有两种可能性。第一个是使用阴极和阳极像素之间的信号比。由于短像素效应,阳极像素的诱导信号几乎不受相互作用深度的影响,而在平面阴极上诱导的信号直接取决于相互作用的深度。因此,阴极与阳极的信号比可以是相互作用深度的索引。第二种可能性是使用电子迁移时间,可以从诱导信号的脉冲形状确定。以前的可能性很难确定多个相互作用位置,而后者则适合同时确定它们。在包括SI,CDTE和TLBR在内的半导体材料中662 KEV Gamma射线的康普顿散射的线性衰减系数分别为0.18、0.37和0.47 cm -1。这些值是从NIST XCOM处的光子横截面数据计算得出的。(14),由于TLBR的线性衰减系数最高,因此TLBR有望用于构建具有高检测效率的康普顿成像仪。在这项研究中,我们使用制造的像素化TLBR半导体检测器来证明康普顿成像实验,其中使用电子迁移时间确定相互作用深度。我们还讨论了确定相互作用点的顺序顺序的策略,这对于基于康普顿成像估算入射伽马射线方向很重要。
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。
稿件收到日期:2023 年 8 月 31 日;修订日期:2023 年 11 月 14 日;接受日期:2023 年 12 月 9 日。本文经副主编 Mototsugu Hamada 批准。这项工作部分由斯坦福大学吴仔神经科学研究所资助;部分由斯坦福纳米制造设施和美国国立卫生研究院 (NIH) 资助,资助编号为 EY021271 和 EY032900。(通讯作者:Moonhyung Jang。)Moonhyung Jang、Pietro Caragiulo、Athanasios T. Ramkaj、AJ Phillips、Nicholas Vitale、Pulkit Tandon 和 Pumiao Yan 均就职于斯坦福大学电气工程系,斯坦福,加利福尼亚州 94305 美国(电子邮件:moon90@stanford.edu)。Maddy Hays 就职于斯坦福大学生物工程系,斯坦福,加利福尼亚州 94305 美国。 Wei-Han Yu 和 Pui-In Mak 就职于澳门大学微电子研究所,中国澳门。Changuk Lee 就职于加州大学伯克利分校电气工程与计算机科学系,美国加利福尼亚州伯克利市 94720。Pingyu Wang 就职于斯坦福大学材料科学与工程系,美国加利福尼亚州斯坦福市 94305。Youngcheol Chae 就职于延世大学电气与电子工程系,韩国首尔 03722。EJ Chichilnisky 就职于斯坦福大学神经外科和眼科学系汉森实验物理实验室,美国加利福尼亚州斯坦福市 94305。Boris Murmann 曾就职于斯坦福大学电气工程系,美国加利福尼亚州斯坦福市 94305。他现就职于夏威夷大学马诺阿分校电气与计算机工程系,美国夏威夷州檀香山 96822。 Dante G. Muratore 就职于代尔夫特理工大学微电子系,地址:2628 CD 代尔夫特,荷兰(电子邮件:dgmuratore@tudelft.nl)。本文中一个或多个图片的彩色版本可在 https://doi.org/10.1109/JSSC.2023.3344798 上找到。数字对象标识符 10.1109/JSSC.2023.3344798
异质集成中一种突出的方法是基于转移的组装,其涉及去除由不同批次和工序制成的外延层。[5] 但这种方法在高密度器件集成方面面临障碍。首先,传统的外延生长将外延层器件紧密结合到基板上。分离它们通常需要高功率激光或化学蚀刻剂,这可能会损坏基板和外延层。这种风险限制了器件性能和产量。[6] 此外,在转移和组装阶段,必须将不同的功能器件分割成微小的芯片。这对于将它们准确转移和组装到高密度器件阵列的目标表面或基板上至关重要。在这个芯片键合过程中,即使是轻微的错位也会破坏器件与其底层电路之间的连接。这些困难不仅会增加微型和微型发光二极管 (μLED) 显示器等产品的生产成本,而且在制造高密度垂直堆叠器件时也带来了重大挑战。这种复杂性对于生产高分辨率显示器尤其重要,例如增强现实(AR)或元宇宙设备以及异质集成电子产品中使用的显示器。
关于 Neuropixels Neuropixels 2.0 神经探针是一种先进的硅 CMOS 数字集成微系统,是神经科学研究的工具。它是由霍华德·休斯医学研究所 (HHMI)、伦敦大学学院 (UCL)、佛兰芒生物技术研究所 (VIB)、鲁汶天主教大学 (KUL)、挪威科技大学 (NTNU) 和尚帕利莫未知中心资助的合作开发的。探针由比利时鲁汶的 imec 与霍华德·休斯医学研究所 (HHMI)、伦敦大学学院 (UCL)、佛兰芒生物技术研究所 (VIB)、鲁汶天主教大学 (KUL)、挪威科技大学 (NTNU) 和尚帕利莫未知中心合作设计、开发和制造。
法律免责声明 本文档的内容由 imec 按“原样”提供。Imec 对本出版物内容的准确性或完整性不作任何陈述或保证,并保留随时更改规格的权利,恕不另行通知。所有商标均为其各自所有者的财产。Neuropixels 1.0 探针仅根据“IMEC 销售 NEUROPIXELS 1.0 探针的一般条款和条件”分发给神经科学研究社区。 Imec 是 IMEC International(根据比利时法律以“stichting van openbaar nut”形式设立的法人实体)、imec Belgium(由弗兰德政府支持的 IMEC vzw)、imec the Dutch(Stichting IMEC Nederland,是荷兰政府支持的 Holst Centre 的一部分)、imec China(IMEC 微电子(上海)有限公司)、imec India(Imec India Private Limited)和 imec Florida(IMEC USA 纳米电子设计中心)活动的注册商标。
在混凝土隧道衬砌中,裂缝通常在严重且无法忍受的使用寿命损坏之前出现和发展,这是结构退化的早期迹象。监测和评估裂缝空间分布可以突出长期隧道结构行为并促进隧道维护。本研究描述了一种使用机器人安装的成像技术在像素级范围内进行裂缝监测的远程自动化系统。该系统远程收集裂缝图像并将它们拼接在一起以创建隧道表面的全景图像。本研究采用迁移学习,对具有轻量级主干的最先进的语义分割模型 DeepLab V3plus 进行微调和改进,以自动检测裂缝。在全景图上实施了一种新颖的平滑混合预测方法,以呈现长距离隧道裂缝分布,从而缓解高分辨率图像推理中遇到的错误分类问题。此外,根据 CERN 隧道裂缝数据库特征,已经开发了迁移学习、定制损失函数和正则化技术,以保持所提方法的高性能和泛化。在 CERN 隧道中进行的现场试验证明了所提出的裂缝监测系统的可行性。结果表明,所提出的系统可以识别严重裂缝损坏的隧道段和特定的裂缝模式,这与隧道衬砌的结构行为有关。
从两个中心招募的151名健康志愿者承受了腺苷应激和静息心肌灌注CMR。在线自动重建和灌注数据的后处理是在Gadgetron软件框架内实现的,创建了Pictepel Pushusion Maps。 测量休息和压力MBF,得出心肌灌注储备(MPR),并通过性别和年龄细分。 在静止时,所有受试者的平均MBF均为0.62±0.13 ml/g/min,在压力期间为2.24±0.53 ml/g/min。 平均MPR为3.74±1.00。 与男性相比,女性的休息时间更高(0.69±0.13 vs. 0.58±0.12 ml/g/min,p <0.01)和应力MBF(2.41±0.47 vs. 2.13±0.54 ml/g/g/min,p = 0.001)。 应力MBF和MPR随着年龄的增加而显示出显着的负相关性(r = -0.43,p <0.001和r = −0.34,p <0.001)。在线自动重建和灌注数据的后处理是在Gadgetron软件框架内实现的,创建了Pictepel Pushusion Maps。休息和压力MBF,得出心肌灌注储备(MPR),并通过性别和年龄细分。在静止时,所有受试者的平均MBF均为0.62±0.13 ml/g/min,在压力期间为2.24±0.53 ml/g/min。平均MPR为3.74±1.00。与男性相比,女性的休息时间更高(0.69±0.13 vs. 0.58±0.12 ml/g/min,p <0.01)和应力MBF(2.41±0.47 vs. 2.13±0.54 ml/g/g/min,p = 0.001)。应力MBF和MPR随着年龄的增加而显示出显着的负相关性(r = -0.43,p <0.001和r = −0.34,p <0.001)。
脑肿瘤是最常见的死亡原因之一,已被学者们在护理和预防等研究领域广泛研究。尽管对脑肿瘤分割进行了各种实证研究,但仍需要进一步研究。这一事实在脑肿瘤检测的自动方法中更需要。在本研究中,提出了一种基于超像素和快速原始对偶 (PD) 算法提高脑肿瘤分割精度的新方法。所提出的方法在 BRATS2012 数据集的 Flair-MRI 成像中检测脑肿瘤组织。该方法使用超像素算法检测肿瘤的主要边界,并使用马尔可夫随机场优化中的快速 PD 改善脑肿瘤边界。然后,使用后处理过程删除白色大脑区域。最后,采用活动轮廓算法显示肿瘤区域。对所提出的方法进行了不同的实验,并使用骰子相似度度量、准确度和 F 度量等定性和定量标准进行评估。得到的结果证明了所提方法的有效性,准确率和灵敏度分别达到86.59%和88.57%,F1-Measure为86.37。