XiaoMi-AI文件搜索系统
World File Search System图集
病理学家的 PD-L1 图集：适应症、评分、诊断平台和报告系统
1 维罗纳大学诊断和公共卫生系，病理学系，37100 维罗纳，意大利；stefano.marletta@univr.it（SM）；claudio.luchini@univr.it（CL）；matteo.brunelli@univr.it（MB）2 佩德佐利医院病理学系，37019 佩斯基耶拉德尔加尔达，意大利 3 欧洲肿瘤研究所 IRCCS 病理学分部，米兰大学肿瘤学和血液肿瘤学系，20139 米兰，意大利；nicola.fusco@unimi.it 4 布雷西亚大学分子和转化医学系，25121 布雷西亚，意大利；enrico.munari@unibs.it 5 马尔凯理工大学联合医院医学院病理解剖学系，60131 安科纳，意大利； a.cimadamore@staff.univpm.it 6 维罗纳大学与医院信托病理学与诊断学系，37126 维罗纳，意大利；giulia.querzoli@aovr.veneto.it 7 墨西拿大学“Gaetano Barresi”成人与发育年龄人体病理学系，98124 墨西拿，意大利；mmartini@unime.it 8 意大利那不勒斯费德里科二世大学公共卫生系，80100 那不勒斯，意大利；elena.vigliar@unina.it 9 意大利圣博尼法乔 Ospedale Fracastoro 外科病理学系；romano.colombari@aulss9.veneto.it 10 意大利博尔扎诺中央医院病理学分部，39100 博尔扎诺，意大利； ilaria.girolami@sabes.it 11 意大利蒙扎 20900 米兰比可卡大学圣赫拉医院医学和外科、病理学系；fabio.pagni@unimib.it * 通讯地址：albino.eccher@aovr.veneto.it；电话：+39-0458122161；传真：+39-0458122011
注意地图集虚拟现实平台映射三...
1 The Hopkins Centre, Menzies Health Institute Queensland, Griffith University, Meadowbrook, QLD, Australia, 2 School of Applied Psychology, Griffith University, Gold Coast, QLD, Australia, 3 Technical Partners Health (TPH), Griffith University, Nathan, QLD, Australia, 4 School of Applied Psychology, Griffith University, Mt Gravatt, QLD, Australia, 5 Innovation, Implementation and Clinical Translation in Health (IIMPACT in Health), Allied Health and Human Performance, University of South Australia, Adelaide, SA, Australia, 6 Neurosciences Rehabilitation Unit, Gold Coast University Hospital, Gold Coast, QLD, Australia, 7 Allied Health and Rehabilitation, Emergency and Specialty Services, Gold Coast Health, Gold Coast, QLD, Australia, 8 Psychology Department, Logan Hospital, Logan, QLD, Australia, 9 Rehabilitation Unit, Logan Hospital,澳大利亚昆士兰州的Meadowbrook和弗洛雷神经科学与心理健康学院10号，澳大利亚维克，澳大利亚海德堡。电子邮件：m.norwood@griffith.edu.au
战略地图集 - FMES 研究所
当世界人口不断减少，而人们之间的交流和互动方式不断增加时，这种分裂似乎显得格格不入。人类面临着超越国界的全球挑战，迫切需要更多的合作：全球变暖、生物多样性、流行病、能源、人口过剩、金融、贸易、犯罪、恐怖主义——不胜枚举。然而，这两种现象并不对立，而是相互促进，形成了一种复杂的环境，对抗与合作以不断变化的、往往出乎意料的方式共存，既没有明显的设计，也没有全球协调。如果普遍问题是众所周知的，而且被广泛认同，那么它们就成了地方利益博弈的一部分，各国越来越不犹豫地使用对抗来捍卫自己，必要时甚至使用武装对抗。在这个既交织又分裂的世界中，康德的普遍主义和和平主义不再重要。
UNC-BCP 4D婴儿脑体积图集
时空婴儿专用的大脑图石对于早期大脑发育的神经影像学分析至关重要。然而，由于获得高质量婴儿脑磁共振（MR）图像的困难，在处理获得的数据时面临重大的技术挑战，以及对大型样本量的需求，现有的婴儿地带通常以模糊的外观和稀疏的时间点构建。为了准确研究早期的大脑发育，高质量的空间婴儿脑图集是高度期望的。为了解决这个问题，我们基于UNC/UMN婴儿连接项目（BCP）数据集（Howell等，2019），为婴儿大脑构建了4D体积图谱，称为UNC-BCP 4D婴儿脑体积图集。这个4D地图集具有很高的空间分辨率，较大的年龄范围覆盖范围和密集采样的时间点（即0、1、2、3、4、5、6、7、7、8、9、9、10、11、11、12、15、15、18、11、24个月）。具体来说，使用T1W和T2W序列的542次MRI扫描，从240名婴儿到26个月的扫描年龄，用于我们的ATLAS结构。同时，将广泛使用的FreeSurfer Desikan皮层拟化方案（Desikan等，2006）映射到我们的4D地图集，并手动划定了皮层结构以促进基于ROI的分析。所有图像都扭曲成MNI空间（Mazziotta等，1995）。这个具有非常密集的时间点的4D婴儿体积图集将极大地促进对产后早期阶段中动态和关键神经发育的理解。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
印度海岸海岸线变化图集
该图集包含使用 2004-06 年和 2014-16 年时间范围内的卫星数据以 1:25,000 比例尺绘制的整个海岸线变化图（第五卷显示奥里萨邦和西孟加拉邦的地图）。地图显示了海岸的侵蚀、稳定和增生区域。简要介绍了所使用的数据、方法、结果、侵蚀和增生区域以及海岸保护措施的现状。在奥里萨邦，144 公里的海岸线发生了侵蚀，99 公里的海岸线正在增生，而稳定海岸线约为 208 公里。奥里萨邦约有 831 公顷土地遭到侵蚀，753 公顷土地因沉积物沉积而增生。西孟加拉邦约有 34 公里的海岸线正在增生，56 公里的海岸线正在侵蚀，67 公里的海岸线是稳定的。西孟加拉邦约有 394 公顷土地遭到侵蚀，约有 141 公顷土地被侵蚀。
分类器的地图集 - 用于大脑MRI分割的机器学习范式
摘要我们介绍了分类器（AOC）的地图集，这是一个概念上新颖的脑MRI分割框架。AOC是从标记的数据中学到的素数逻辑回归（LR）函数的体素逻辑回归（LR）函数的空间图。收敛后，所得的固定LR权重，每个体素的几个代表训练数据集。因此，它可以被视为一种轻量级学习机器，尽管其容量较低并不削弱问题。AOC结构独立于测试图像的实际强度，提供了在可用标记的数据上训练它的灵活性，并将其用于分割来自不同数据集和模式的图像。从这个意义上讲，它也不会过分贴上培训数据。该提出的方法已应用于众多可公开可用的数据集，用于分割脑MRI组织，并被证明对噪声和外展具有鲁棒性。也获得了多模式的跨模式MRI分割的有希望的结果。最后，我们展示了如何利用对健康受试者的大脑MRI训练的AOC来用于对多发性硬化症患者的病变分割。
基于遥感荒漠化和印度土地退化地图集的评估和分析15年以上的变化
The present national atlas titled “Desertification and Land Degradation Atlas of India (Assessment and analysis of changes over 15 years based on remote sensing)”, is one of the outcomes of an ongoing Department of Space (DOS) funded national project entitled, “Desertification and Land Degradation: Monitoring, Vulnerability Assessment and Combating Plans”, being executed by the SAC, ISRO, Ahmedabad along with 15 concerned Central/State government departments和学术机构。国家一级的荒漠化/土地退化（DLD）映射已在2018 - 19年度时间内进行。对DLD状态的变化的分析也已通过以前可用的时间范围的DLD库存2011-13和2003-05进行了。
人工智能图集
十九世纪末，一匹名叫汉斯的马吸引了整个欧洲。“聪明的汉斯”简直是个奇迹：他可以解数学题、报时、识别日历上的日期、辨别音调，还可以拼写出单词和句子。人们蜂拥而至，观看这匹德国种马用蹄子敲出复杂问题的答案，并且始终能得出正确答案。“二加三等于多少？”汉斯会勤奋地用蹄子在地上敲五次。“今天是星期几？”然后，这匹马会用蹄子敲击特制的字母板中的每个字母，并拼出正确答案。汉斯甚至可以回答更复杂的问题，比如“我心里有一个数字。我减去九，余数为三。这个数字是多少？”到 1904 年，聪明的汉斯已成为国际名人，《纽约时报》称他为“柏林神马”；他几乎无所不能，除了不会说话。”1 汉斯的训练师是一位退休的数学老师，名叫威廉·冯·奥斯汀 (Wilhelm von Osten)，他长期以来一直对动物智力着迷。