XiaoMi-AI文件搜索系统
World File Search System加权
TW-Net：用于新生儿脑部 MRI 分割的 Transformer 加权网络
摘要 — 准确的新生儿脑部 MRI 分割对于研究脑部生长模式和追踪神经发育障碍的进展非常有价值。然而，使用基于强度的方法来分割新生儿脑结构是一项具有挑战性的任务，因为固有的髓鞘形成过程导致脑区之间的对比度差异很小。尽管卷积神经网络提供了以强度无关的方式分割脑结构的潜力，但它们缺乏分割所必需的平面内长距离依赖性。为了解决这个问题，我们提出了一种新颖的 Transformer 加权网络 (TW-Net) 来整合平面内长距离依赖信息。TW-Net 采用传统的编码器-解码器架构，中间有一个 Transformer 模块。Transformer 模块使用旋转和翻转层来更好地计算切片中两个斑块之间的相似性，以利用脑结构内相似的几何和纹理特征模式。此外，还引入了深度监督模块和挤压和激励块来整合脑结构的边界信息。与最先进的深度学习算法相比，TW-Net 在两个独立的公共数据集上 2D 和 2.5D 配置的多标签任务中表现优于这些方法，表明 TW-Net 是一种很有前途的新生儿脑部 MRI 分割方法。
SOA-REAM辅助突触受体，用于加权 -
摘要 - 非形态光子学是一个有前途的研究领域，因为它有可能应对von-Neumann计算体系结构的瓶颈产生的局限性。受到生物大脑的特征和行为的启发，光子神经网络被吹捧为解决需要在低潜伏期和低功耗下运行的复杂问题的解决方案。这种神经网络的基本构建块是低复杂性多重积累操作，为此寻求光学域中的有效功能实现。向这个方向迈出了一个突触受体，该突触受体可以在功能上整合加权和信号检测。通过单片集成的半导体光学放大器和反射性电吸收调制器来完成此光学多重积累操作，该操作将充当无色频率解调器和频率编码信号的检测器。此外，我们表明可以同时处理两个尖峰列车，并以交替的符号处理并将其视为加权总和。通过低位误差比的信号速率低于10 GB/s，提出的突触受体的性能得到了进一步验证。索引项 - 光学信号检测，神经网络硬件，神经形态光子学，突触受体
原创研究通过加权基因共表达网络分析识别与扩张型心肌病相关的潜在生物标志物
背景：扩张型心肌病 (DCM) 是收缩性心力衰竭的主要原因之一，常具有遗传因素。DCM 发病和进展的分子机制仍不清楚。本研究旨在寻找新的诊断生物标志物，以辅助治疗和诊断 DCM。方法：探索基因表达综合 (GEO) 数据库，提取两个微阵列数据集 GSE120895 和 GSE17800，随后将它们合并为一个队列。在 DCM 组和对照组中分析差异表达基因，然后进行加权基因共表达网络分析以确定核心模块。通过基因显着性 (GS) 和模块成员资格 (MM) 值识别核心节点，并通过 Lasso 回归模型预测四个枢纽基因。在数据集 GSE19303 中进一步验证四个枢纽基因的表达水平和诊断价值。最后，确定了潜在的治疗药物和调节基因的上游分子。结果：绿松石模块是 DCM 的核心模块。鉴定出四个枢纽基因：GYPC（糖蛋白C）、MLF2（髓系白血病因子2）、COPS7A（COP9信号体亚基7A）和ARL2（ADP核糖基化因子类GTPase 2）。随后，通过实时定量PCR（qPCR）检测，枢纽基因在数据集和验证模型中的表达均存在显著差异。还鉴定出四种潜在的调节剂和七种化学物质。最后，成功进行了基因编码蛋白与小分子药物的分子对接模拟。结论：结果表明ARL2、MLF2、GYPC和COPS7A可能是DCM的潜在基因生物标志物。
带加权的多主体无监督迁移...
运动想象信号由用户生成，在基于脑电图的系统中，该信号记录在头皮上；然而，头皮上记录的信号不仅取决于所涉及神经元的位置，还取决于神经元树突的方向，这会影响电流的方向 [6]。因此，不同用户的 MI 信号会有所不同，为一个用户训练的分类器不能轻易用于另一个用户 [7]，[8]。即使对于同一个用户，也常常需要频繁重新校准，以适应生成的运动想象信号中可能出现的漂移 [9]，[10]。有许多迁移学习尝试使用现有数据以无监督的方式为新用户训练分类器，即使用新用户的未标记校准数据 [11]。在这些方法中，子空间对齐 [12] 找到了一种线性映射来将特征从源域适配到目标域，但是，它不使用源域中的可用标签。
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
使用静音梯度线圈进行安静 T1 加权 7T 脑成像的图像质量和受试者体验
摘要 目的：磁共振成像 (MRI) 中的噪声会对患者产生负面影响。我们评估了以 20 kHz 切换的静音梯度线圈与 7 T 1 加权磁化制备的快速梯度回波 (MPRAGE) 序列的结合。方法：五名健康受试者（21-29 岁；三名女性）之前没有接受过 7-T MRI 检查，分别接受了两次安静 MPRAGE (Q-MPRAGE) 和常规 MPRAGE (C-MPRAGE) 序列。两名神经放射科医生对图像质量进行了定量和定性评估。所有受试者在每个序列之后立即以及整个检查（延迟）后（0-10 的量表）客观测量声级并主观评分。所有受试者还报告了舒适度、总体体验和再次接受该序列的意愿。结果：与 C-MPRAGE 相比，Q-MPRAGE 具有更高的信噪比 (10%；p = 0.012) 和更低的对比噪声比 (20%；p < 0.001)，并且图像质量良好。Q-MPRAGE 产生的噪音水平低 27 dB (76 对 103 dB)。受试者报告 Q-MPRAGE 的即时 (4.4 ± 1.4 对 6.4 ± 1.3；p = 0.007) 和延迟 (4.6 ± 1.4 对 6.3 ± 1.3；p = 0.005) 的噪音水平较低，而他们评定的舒适度 (7.4 ± 1.0 对 6.1 ± 1.7；p = 0.016) 和总体体验 (7.6 ± 1.0 对 6.0 ± 0.9；p = 0.005) 较高。再次接受该序列的意愿也更高，但并不显著（8.1 ± 1.0 对比 7.2 ± 1.3；p = 0.066）。结论：与 7 T 的 C-MPRAGE 相比，使用静音梯度线圈的 Q-MPRAGE 可将声级降低 27 dB，同时具有可接受至良好的图像质量以及更安静、更愉快的受试者体验。关键词：声学、健康志愿者、磁共振成像、神经成像、噪音
对具有设定点加权和过滤衍生作用的PID生物控制器的设计
摘要 - 生物材料过程的有效和强大的调节对于设计可靠的合成生物设备在不确定且不断变化的生物学环境中起作用至关重要。比例综合衍生（PID）控制器无疑是在现代技术应用中实施反馈控制的最常见方法。在这里，我们引入了一个高度可调的PID生物控制器，其设定点加权和过滤衍生作用作为具有质量作用动力学的化学反应网络。为了证明其有效性，我们将PID方案应用于两个大量激活物种的简单生物学过程，其中一种被认为是感兴趣的输出。为了突出显示其性能优势，我们将其与确定性和随机设置中的数值模拟进行比较。
值梯度加权模型...
基于模型的增强学习（MBRL）是一种获得控制策略的样本有效技术，但不可避免的建模误差通常会导致性能恶化。MBRL中的模型通常仅用于重建动态，尤其是状态观察，而模型误差对策略的影响并未由培训目标捕获。这导致MBRL的目标目标之间的不匹配，实现良好的政策和价值学习，以及实践中采用的损失函数的目标，未来的国家预测。天真的直觉表明，价值感知的模型学习将解决这个问题，实际上，已经基于理论分析提出了针对该客观不匹配问题的第二种解决方案。但是，在实践中，它们往往不如通常使用的最大可能性（MLE）方法。在本文中，我们提出了价值梯度加权模型损失（VAGRAM），这是一种新颖的价值模型学习方法，可改善MBRL在具有挑战性的环境中的性能，例如小型模型容量和分散注意力的状态尺寸。我们分析了MLE和值感知的方法，并演示了他们如何在学习价值吸引模型时无法解释样本覆盖范围和功能近似的行为。fom，我们强调了在深度学习环境中稳定优化的其他目标。为了实现这一目标，我们利用经验值函数的梯度作为对RL算法对模型误差的敏感性的量度。我们通过表明我们的损失函数能够在Mujoco基准套件上获得高回报来验证我们的分析，同时比基于最大似然的方法更健壮。
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2