XiaoMi-AI文件搜索系统
World File Search System分割
增量动作分割的连贯的时间合成
数据重播是图像的成功增量学习技术。它通过保留原始或合成的先前数据的储存库来防止灾难性的遗忘，以确保模型在适应新颖概念的同时保留过去的知识。但是，它在视频域中的应用是基本的，因为它只是存储了框架以进行动作识别。本文首次探讨了视频数据重播技术的递增动作分割，重点是动作时间段。我们提出了一个时间连贯的动作（TCA）模型，该模型代表使用生成模型而不是存储单个帧的动作。捕获时间连贯性的调节变量的集成使我们的模型了解随着时间的流逝的作用进化。因此，TCA为重播产生的动作段是多种多样的，并且在时间上是连贯的。在早餐数据集上的10任任务增量设置中，与基准相比，我们的AP可以显着提高准确性高达22％。
使用超像素融合、GoogleNet 和线性邻域语义分割的 SLIC 分割进行脑肿瘤分类
脑肿瘤是由于细胞不受控制地生长而产生的异常组织肿块。脑肿瘤通常会缩短寿命并在后期导致死亡。自动检测脑肿瘤是计算机辅助疾病诊断系统中一项具有挑战性且重要的任务。本文提出了一种基于深度学习的脑肿瘤分类方法。使用边缘方向总变分去噪去除脑 MRI 图像中的噪声。使用超像素融合的 SLIC 分割对脑 MRI 图像进行分割。将分割结果提供给经过训练的 GoogleNet 模型，该模型可识别图像中的肿瘤部分。一旦识别出肿瘤，便使用基于卷积神经网络 (CNN) 的改进语义分割模型对肿瘤段边缘的像素进行分类。改进的语义分割使用像素的线性邻域来进行更好的分类。由于边界处的像素被准确分类，因此最终识别出的肿瘤是准确的。实验结果表明，该方法在 GoogleNet 分类模型中的准确率为 97.3%，线性邻域语义分割的准确率为 98%。
使用胸肌抑制进行乳房分割...
梯度法自 Semmlow 等人 [ 9 ] 的早期工作以来就一直被使用，他们利用空间滤波器和 Sobel 边缘检测器获得乳房边界。类似地，M´endez 等人 [ 10 ] 使用两级直方图阈值获得乳房区域，然后将其向上划分为三个部分，使用梯度法跟踪边界。使用“准确”或“接近准确”标签对分割质量进行评估。他们成功地将他们的结果与 Yin 等人 [ 5 ] 提出的工作进行了比较。Karssemeijer 等人 [ 14 ] 提出的工作利用了多分辨率方案，在低分辨率下处理并推断结果。他们使用全局阈值技术获得一个初步区域，然后使用 3x3 Sobel 算子对其进行处理，并通过 Hough 变换估计胸肌位置。Abdel-Mottaleb 等人 [12] 提供了一种基于不同阈值的方案来查找乳房边缘。使用两幅图像的梯度及其并集，他们获得了可能的乳房轮廓。他们在 500 张测试图像中的 98% 中找到了边界。Morton 等人 [13] 提出的分割是另一种基于梯度的方法。通过初始阈值减去背景后，通过逐行梯度分析找到边缘。Zhou 等人 [11] 提出了最后一种方法的改进。
虹膜识别的分割级融合 - FastPass
摘要 — 本文研究了在特征提取之前在规范化/分割级别进行融合的潜力。虽然在数据/特征级别、分数级别和等级/决策级别有几种生物特征融合方法，结合了原始生物特征信号、分数或等级/决策，但这种类型的融合仍处于起步阶段。但是，对更宽松、侵入性更小的记录条件的需求日益增加，尤其是对于移动虹膜识别，这表明需要进一步研究这种非常低级别的融合。本文重点介绍了虹膜生物特征系统的多分割融合方法，研究了结合多种规范化算法的分割结果的好处，在公共 CASIA 和 IITD 虹膜数据集上使用两种不同的公共虹膜工具包 (USIT、OSIRIS) 中的四种方法。根据识别准确度和地面实况分割数据的评估表明，分割算法所犯错误类型具有很高的敏感性。
glioseg 的验证：实现稳健的胶质瘤分割
在实习期间，您将通过广泛的验证协议评估 Glioseg 的稳健性，其中包括分析管道中使用的各个分割模型的输出，并探索各种标签融合策略以组合这些输出。目标是实施和比较几种融合策略（从简单到更高级的策略），并找到提高分割准确性的最佳策略。在评估阶段，您将使用来自胶质瘤患者的扫描的保留数据集，其中将提供两位专家评估者的分割结果。这项工作将有助于提高管道的稳健性，并可能为脑肿瘤分析带来更好的临床应用。对于这个项目，拥有一些基本的 Python 编程和深度学习经验很重要。
通过分割术中超声的挑战脑肿瘤
客观 - 解决术中超声中识别和描述脑肿瘤所带来的挑战。我们的目标是在经验丰富的神经肿瘤内超声用户（神经外科医生和神经神经毒物学家）中，在质量和定量评估观察者之间的变化，在超声波上检测和分割脑肿瘤。然后，我们建议，由于这项任务的固有挑战，通过将整个肿瘤质量进行注释，可以用一个边界盒作为临床培训的分割的辅助解决方案，包括余量不确定性和大型数据集的策划。方法 - 30例患者的脑病变的30张超声图像由4个注释剂 - 1名神经放射科医生和3个神经外科医生。首先测量了3个神经外科医生的注释变化，然后将每个神经腐烂的注释分别与神经放射科医生的注释分别进行比较，神经放射科医生的术语是参考标准，因为它们的分割是通过交叉引用到术前MRI进一步完善的。使用了以下统计指标：相交
使用分层组合进行脑肿瘤分割...
摘要背景：磁共振（MR）图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中，脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法：本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块，该方法使用主要分割方法的输出作为输入，并使分割性能值更好。该方法是模糊逻辑和细胞自动机（CA）的组合。结果：BraTS 在线数据集已用于实现所提出的方法。在第一步中，将每个像素的强度输入模糊系统以标记每个像素，在第二步中，将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%，但使用模糊 CA 后的分割准确率达到 99.8%。结论：实际结果表明，与其他方法相比，我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。
基于分割技术和小波变换的脑肿瘤分类
本文旨在提供使用磁共振图像 (MRI) 对脑肿瘤进行分割和分类的更好方法。在本文中，小波特征是通过使用连续小波变换 (2D-CWT) 将概率密度函数 (PDF) 转换为频谱图图像而形成的，这是一种简单的特征提取方法，而特征提取方法 (PDF 和 2D-CWT) 正在提高性能。此外，为了提高分割性能，使用形态学操作分割图像并使用卷积神经网络 (CNN) 作为分类器。在 BraTS2019 数据集上，该方法的性能是根据 F1 分数和肿瘤区域分割准确度来评估的。这取得了最好的结果，准确度和 F1 分数分别为 97.37% 和 97.43%。
2023 年脑肿瘤分割 (BraTS-METS) 挑战赛
Ahmed W. Moawad 1, †,‡, ∗ ，Anastasia Janas 2,3,4, †,‡, ∗ ，Ujjwal Baid 5,6, †,‡, ∗ ，Divya Ramakrishnan 2,3, †,‡, ∗ ，Leon Jekel 12,3,7,8, †,‡, ∗ ，Kiril Krantchev 3,4, †,‡,§ ，Harrison Moy 2,3, †,‡,§ ，Rachit Saluja 9, †,‡ ，Klara Osenberg 2,3,10, †,‡ ，Klara Wilms 2,3,10, †,‡ 、Manpreet Kaur 2,3,11, ‡,§ 、Arman Avesta 2,‡ 、Gabriel Cassinelli Pedersen 2,3, ‡,§ 、Nazanin Maleki 2,3, †,‡ 、Mahdi Salimi 2,3, †,‡ 、Sarah Merkaj 2,3,12, ‡,§ 、Marc von Reppert 2,3,10, ‡,§ 、Niklas Tillmans 2,3,13, ‡,§ 、Jan Lost 2,3,13, ‡,§ 、Khaled Bousabarah 14, ‡,§ 、Wolfgang Holler 14, ‡,§ 、MingDe Lin 15, ‡,§ 、Malte Westerhoff 14, ‡,§ ，Ryan Maresca 16, ‡,§ ，Katherine E. Link 18, †,‡ ，Nourel hoda Tahon 19, †,‡ ，Daniel Marcus 20, ‡ ，Aristeidis Sotiras 20, ‡ ，Pamela LaMontagne 20, ‡ ，Strajit Chakrabarty 20, ‡ ，Oleg Teytelboym 1 ‡ ，Ayda Youssef 2, ‡ ，Ayaman Nada 19 ‡ ，Yuri S. Velichko 22, †, ‡ ，Nicolo Gennaro 22, ‡ ，Connectome Students 23, § ，Group of Annotators 24, § ，Justin Cramer 25, § , §§ , Derek R. Johnson 26, § , §§ , Benjamin Y. M. Kwan 27, § , §§ , Boyan Petrovic 28, § , §§ , Satya N. Patro 29, § , §§ , Lei Wu 30, § , §§ , Tiffany So 31, § , §§ , Gerry Thompson 32, § , §§ , Anthony Kam 33, § , §§ , Gloria Guzman Perez-Carrillo 34, §,§§ , Neil Lall 35, §,§§ , 批准者小组 23, § , Jake Albrecht 36, † , Udunna Anazodo 37, † , Marius George Lingaru 38, † , Bjoern H Menze 39, † , Benedikt Wiestler 40, † , Maruf Adewole 41, † , Syed Muhammad Anwar 38, † , Dominic Labella 42, † , Hongwei Bran Li 43, † , Juan Eugenio Iglesias 43, † , Keyvan Farahani 44, † , James Eddy 36, † , Timothy Bergquist 36, † , Verena Chung 36, † , Russel Takeshi Shinohara 45, † , Farouk Dako 46, † , Walter Wiggins 42, † , Zachary Reitman 42, † , 王春浩 42, † , 刘欣阳 38, † , 蒋志凡 38, † , Koen Van Leemput 47, † , Marie Piraud 48, † , Ivan Ezhov 49, † , Elaine Johanson 50, † , Zeke Meier 51, † , Ariana Familiar 52, † , Anahita Fathi Kazerooni 52, † , Florian Kofler 53, † , Evan Calabrese 42, †,‡ , Sanjay Aneja 16, † , Veronica Chiang 54, † , Ichiro Ikuta 25, †,‡ , Umber Shafique 55, †,‡ , §,§§ , Fatima Memon 2,3, †,‡,§, §§ , Gian Marco Conte 26, †, ‡ , Spyridon Bakas 5,6, †, ‡, ¶ , Jeffrey Rudie 56,57 ,†,‡ , §,§§, ¶ , Mariam Aboian 2,3, †,‡,§, §§, ¶,** 1. 宾夕法尼亚州达比仁慈天主教医疗中心 2. 耶鲁大学医学院放射科，康涅狄格州纽黑文 3. ImagineQuant，耶鲁大学医学院放射科，康涅狄格州纽黑文 4. 柏林夏里特大学医学院，德国 5. 宾夕法尼亚大学医学院生物医学图像计算与分析中心，宾夕法尼亚州费城 6. 宾夕法尼亚大学佩雷尔曼医学院放射科，宾夕法尼亚州费城 7. 德国癌症联盟 WTZ 转化神经肿瘤学分部、DKTK 合作站点、埃森大学医院，德国埃森 8. 德国癌症研究中心，德国海德堡 9.康奈尔大学，纽约州伊萨卡 10. 莱比锡大学，德国莱比锡 11. 路德维希马克西米利安大学，德国慕尼黑 12. 乌尔姆大学，德国乌尔姆 13. 杜塞尔多夫大学医学院诊断和介入放射学系，德国杜塞尔多夫 14. Visage Imaging, GmbH，德国柏林 15. Visage Imaging, Inc，美国加利福尼亚州圣地亚哥 16. 耶鲁大学医学院治疗放射学系，康涅狄格州纽黑文 18. 纽约大学医学院，纽约州纽约 19. 密苏里大学，密歇根州哥伦比亚
使用深度学习的MRI脑肿瘤分割
歧视方法试图提取区分特征，然后是分类器以进行分类[3]。例如，Dandil等。[4]使用基于图像强度特征的空间模糊c均值（FCM）分类器，以达到0.91的精度，0.91灵敏度的灵敏度和0.95的敏感性对于“ WT”段。Tustison等。[5]研究了不同的特征，包括强度，几何和不对称特征，提取了多种MRI模态。基于与不对称相关的特征的随机森林分类器在Brats 2013数据库[6]中获得了最佳性能[6]，即“ WT”，“ TC”，“ TC”和“ ET”组件的DSCS为0.87、0.78和0.74。然而，歧视方法依赖于提取特征的质量，这可能并不能很好地代表肿瘤分割问题。