XiaoMi-AI文件搜索系统
World File Search System图像分割
变化的计算
3应用29 3.1最短路径。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 3.2腕杆菌问题。。。。。。。。。。。。。。。。。。。。。。30 3.3最小表面。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34 3.4革命的最小表面。。。。。。。。。。。。。。。。。。。。。。36 3.5等等不平等。。。。。。。。。。。。。。。。。。。。。。。。。。42 3.6图像修复。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 3.6.1梯度下降和加速度。。。。。。。。。。。。。。。。46 3.6.2原始双重方法。。。。。。。。。。。。。。。。。。。。。。。49 3.6.3分裂的Bregman方法。。。。。。。。。。。。。。。。。。。。。。。51 3.6.4总变异恢复的边缘保存特性。53 3.7图像分割。。。。。。。。。。。。。。。。。。。。。。。。。。55 3.7.1金茨堡 - landau近似。。。。。。。。。。。。。。。。59
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
Yuheng Chen的投资组合Yuheng Chen的投资组合
编程：精通Python，Pytorch，Tensorflow，Java，JavaScript，C/C ++，MATLAB用于机器学习，多模式模型，计算机视觉，图像分割，数据增强，回归分析，回归分析，量子计算。仿真和设计：Lumerical（FDTD/RCWA），COMSOL，KLAYOUT，ZEMAX，LABVIEW，ANSYS-FEA，SOLIDWORKS，AUTOCAD。设备制造：6年的洁净室经验在Nanodevice原型设计和制造方面：过程优化，石版画（EBL，UV暴露），蚀刻（Ribe，Ibe，Ibe，ICP，湿蚀刻），AFM/SEM/SEM/SEM/SEM/显微镜光学表征。
使用基于边距的标签平滑校准分割网络
尽管深度神经网络推动了视觉识别任务的进步，但最近的证据表明，这些模型校准不佳，导致预测过于自信。在训练期间最小化交叉熵损失的标准做法促使预测的 softmax 概率与独热标签分配相匹配。然而，这会产生正确类别的预 softmax 激活，该激活明显大于其余激活，从而加剧了校准错误问题。最近从分类文献中观察到，嵌入隐式或显式最大化预测熵的损失函数可产生最先进的校准性能。尽管有这些发现，但这些损失在校准医学图像分割网络的相关任务中的影响仍未得到探索。在这项工作中，我们提供了当前最先进的校准损失的统一约束优化视角。具体来说，这些损失可以看作是线性惩罚（或拉格朗日项）的近似值，对 logit 距离施加了等式约束。这指出了这种底层等式约束的一个重要限制，其随后的梯度不断推向无信息解决方案，这可能会阻止在基于梯度的优化过程中在判别性能和模型校准之间达到最佳折衷。根据我们的观察，我们提出了一种基于不等式约束的简单而灵活的泛化方法，它对 logit 距离施加了一个可控的边际。在各种公共医学图像分割基准上进行的全面实验表明，我们的方法在网络校准方面为这些任务设定了新的最先进的结果，同时判别性能也得到了改善。代码可在 https://github.com/Bala93/MarginLoss 获得
遗传算法对 Transformer 编码器的微调效果如何？第一种方法
遗传算法 (GA) 已在工程或医学等不同领域得到研究，以优化网络路由或医学图像分割等各种问题。此外，它们还被用于自动寻找深度神经网络的最佳架构。但是，据我们所知，它们尚未被用作 Transformer 模型的权重优化器。虽然梯度下降一直是这项任务的主要范例，但我们相信 GA 有其优势。在本文中，我们将证明尽管 GA 能够微调 Transformer 编码器，但它们的泛化能力比 Adam 差得多；然而，仔细观察，GA 从两个不同的预训练数据集中利用知识的能力超过了 Adam。
Domenico Tegolo 的简历
科学简介：主要研究活动是图像分析、模式识别、并行计算和非标准图像数据库。与国际中心合作，研究和开发了一套方法，涉及人类大脑神经元、眼底、视频毛细血管镜图像分析、图像检索、超声图像分割和分布式架构的标志性图像语言。目前，他正在研究数学方法，以在 MRI 数据上分割人体中的一些特殊癌症区域；研究数学计算模型如何模拟海马区神经元的分布，以及如何使用它们的关系来做出决策和了解环境。此外，他还在研究视频毛细血管镜领域的增强现实框架。
用于脑部的监督 ML 应用分类模型...
脑是人体中的一个复杂器官。当脑肿瘤发生时，脑中会形成一系列异常的细胞，并且发生不受控制的细胞分裂（Logeswari and Karnan，2010）。这些异常的细胞会破坏健康细胞并影响大脑的总体活动。脑肿瘤分为良性肿瘤和恶性肿瘤。良性肿瘤生长缓慢，起源于脑部；它们被认为是非进行性或非癌性的。良性肿瘤不会扩散到体内的任何其他器官。相反，恶性肿瘤是进行性的和癌性的。它们以不确定的方式意外生长。原发性恶性肿瘤可以自行生长。此外，恶性肿瘤还可以在体内的其他器官中生长并扩散到大脑。MRI 是一种可以生成高质量人体解剖图像的成像技术。MRI 为医学诊断和研究提供了大量信息（Zhang et al.，2011）。 MRI 图像的自动化和准确分类极大地提高了 MRI 的诊断价值（Scapaticci 等，2012）。然而，单一类型的 MRI 无法提供包含许多不同组织的脑肿瘤的完整详细信息（Sudharani 等，2016）。不同加权图像相结合可以开发脑肿瘤的图像分割。三幅加权 MRI 图像（图 1 中的 T1、T2 和 FLAIR）用于在不同轴向切片上对颅骨进行图像分割（Vannier 等，1988；Clark 等，1994；Dou 等，2007）。作为最佳成像方法之一，研究人员使用 MRI 来分析脑肿瘤在检测和治疗阶段的进展。由于 MRI 产生高分辨率，因此脑结构信息（如脑组织异常）非常详细。因此，MRI 对医学图像的自动分析有显著影响（ Zacharaki 等人，2009 年；Litjens 等人，2017 年）。由于医学图像可以扫描并加载到计算机中，研究人员提出了不同的
标题：计量学的机器学习
ML目前正在欧洲计量学项目中采用，包括各种类型的医学成像（磁共振成像，X射线和PET），ECG和PPG信号分析，数字病理学，自由形式的表面重建，质谱，散射仪，散射仪，纳米颗粒图像分割以及循环序列和循环构造和能源系统模型。机器学习近年来在构建准确的数据驱动预测模型方面取得了巨大进步。这主要是由于大量数据和计算处理能力的进步所致。但是，其产出的不可靠性阻碍了ML的广泛采用及其启用的AI系统。至关重要的是，可以信任ML算法的预测，尤其是在计算不确定性和解释预测时。
从智能手机捕获的心电图照片中自动检测心脏状况
摘要背景研究人员已经开发了基于机器学习的ECG诊断算法，这些算法匹配甚至超过心脏病专家的性能水平。但是，它们中的大多数不能用于现实世界中，因为老年的ECG机器不允许安装新算法。目的是开发一种智能手机应用程序，该应用程序会自动从照片中提取ECG波形，并通过研究人员构建的各种诊断算法将其转换为电压序列进行下游分析。方法是使用客观检测和图像分割模型从临床医生拍摄的照片中自动提取ECG波形的一种新型方法。模块化机器学习模型的开发是为了依次执行波形识别，脱离环线和比例校准。然后使用基于机器学习的心律分类器分析提取的数据。从40个516扫描和444张照片的ECG的结果波形自动提取。扫描13 258（96.8％）的12 828（96.8％）和5743中的5399（94.0％）被正确裁剪和标记。11 604 of 12 735（91.1％）扫描，5752中的5062（88.0％）拍摄的波形在自动环和噪声删除后获得了成功的电压时间信号提取。在概念验证示范中，使用ECGS的照片作为输入，使用ECGS的照片，可达到91.3％的敏感性，94.2％的敏感性，94.2％的特异性，95.6％的阳性预测价值，88.6％的负预测值和93.4％的F1得分。结论对象检测和图像分割模型允许从照片中自动提取ECG信号以进行下游诊断。这条新颖的管道规定了需要昂贵的ECG硬件升级的需求，从而为大规模实施基于机器学习的诊断算法铺平了道路。
脑型疟疾的视网膜成像技术
我们找到了 21 篇论文，这些论文报告了在彩色眼底照相或 FA 上自动检测视网膜病变的结果。这些表格的结果总结在表 3 中。用于评估 AI 模型的指标总结在图 5 中。Dice 系数 (DC) 是图像分割分析中经常应用的一种指标，用于将模型识别的像素或区域与一个或多个专家识别的像素或区域进行比较。由于没有 MR 的儿童应该彻底检查昏迷的其他原因，因此大多数算法都针对高特异性而不是灵敏度进行了优化。除了灵敏度和特异性之外，还使用了受试者工作曲线 (ROC)，基于此