XiaoMi-AI文件搜索系统
World File Search System对比度
为 HDR 显示器建模环绕感知对比度敏感度
摘要 尽管显示技术取得了进步，但许多现有应用仍依赖于使用较旧的、有时是过时的显示器收集的人类感知的心理物理数据集。因此，存在一个基本假设，即此类测量可以延续到更现代技术的新观看条件中。我们已经进行了一系列心理物理实验，以使用最先进的 HDR 显示器探索对比敏感度，不仅考虑了刺激的空间频率和亮度，还考虑了它们周围的亮度水平。从我们的数据中，我们得出了一个新颖的环绕感知对比敏感度函数 (CSF)，它可以更准确地预测人类对比敏感度。我们还提供了一个实用版本，它保留了我们完整模型的优势，同时实现了轻松的向后兼容性，并在许多使用 CSF 模型的现有应用程序中始终产生良好的结果。我们展示了使用源自 CSF 的传递函数、色调映射和改进的视觉差异预测准确度进行有效 HDR 视频压缩的示例。
高对比度复合材料的均质化......
摘要。我们通过变异技术得出，这是在线性差异约束下对一类积分函数的限制描述。功能旨在编码高对比度复合材料的能量，即一种异质材料，在微观层面上，该材料由定期穿孔的基质组成，其腔体被填充的物理特性填充而占据。我们的主要结果提供了γ-连接分析，因为周期性趋于零，并表明功能的变化极限是两种贡献的总和，一种是由矩阵中存储的能量而产生的，另一个是由存储在包含物中的能量。由于潜在的高对比度结构，该研究在L P中的标准拓扑方面缺乏矫正性，我们通过两尺度收敛技术来解决。为了处理差异约束，我们建立了有关线性，k -th顺序，具有恒定系数和恒定等级的均质差分运算符的电势和约束的扩展运算符的新结果。
条纹形状对单片高对比度光栅反射率的影响
摘要：单片高对比度光栅 (MHCG) 由单片层中图案化的一维光栅组成，可提供高达 100% 的光功率反射率，并且可以在现代光电子学中使用的几乎任何半导体和介电材料中制造。MHCG 可实现单片集成、偏振选择性和多功能相位调谐。它们可以比分布式布拉格反射器薄 10 到 20 倍。MHCG 的亚波长尺寸大大降低了确保 MHCG 条纹侧壁光滑度的可能性，并使在蚀刻过程中精确控制 MHCG 条纹横截面的形状变得困难。问题在于，改进蚀刻方法以获得设计所假设的完美横截面形状是否更有利，或者是否有可能使用给定蚀刻方法提供的形状找到能够实现高光功率反射的几何参数。在这里，我们进行了一项数值研究，该研究由使用多种常见的表面纳米级成型方法在不同材料中制造的 MHCG 的实验表征支持。我们证明具有任意横截面形状的 MHCG 条纹都可以提供接近 100% 的光功率反射率，这大大放宽了它们的制造要求。此外，我们表明，对于准梯形横截面的 MHCG，可以实现超过 99% 的光功率反射率和超过 20% 的创纪录光谱带宽。我们还表明，如果波纹幅度小于 MHCG 周期的 16%，MHCG 条纹的侧壁波纹对 MHCG 光功率反射的影响很小。使用最新的表面蚀刻方法可以实现这种条纹制造精度。我们的研究结果对于设计和生产采用 MHCG 的各种光子器件具有重要意义。横截面形状的灵活性有利于可靠地制造高反射率亚波长光栅镜。这反过来又将使制造单片集成的高品质因数光学微纳腔器件成为可能。关键词：单片高对比度光栅、亚波长光栅、光功率反射
一种用于改善多重对比度增强方法......
大多数数据驱动方法都很容易受到数据变化的影响。当将深度学习 (DL) 应用于脑磁共振成像 (MRI) 时，这个问题尤其明显，因为脑磁共振成像的强度和对比度会因采集协议、扫描仪和中心特定因素而变化。大多数公开的脑磁共振数据集来自同一中心，在扫描仪和使用的协议方面是同质的。因此，设计出可以推广到多扫描仪和多中心数据的稳健方法对于将这些技术转移到临床实践中至关重要。我们提出了一种基于高斯混合模型 (GMM-DA) 的新型数据增强方法，目的是增加给定数据集在强度和对比度方面的可变性。该方法允许增强训练数据集，使训练集中的可变性与现实世界临床数据中看到的可变性相媲美，同时保留解剖信息。我们比较了最先进的 U-Net 模型在添加和不添加 GMM-DA 的情况下对脑结构进行分割训练的性能。这些模型在单扫描仪和多扫描仪数据集上进行训练和评估。此外，我们验证了同一患者图像（相同和不同扫描仪）的重测结果的一致性。最后，我们研究了偏差场的存在如何影响使用 GMM-DA 训练的模型的性能。我们发现，即使训练集已经是多扫描仪，添加 GMM-DA 也可以提高 DL 模型对训练数据中不存在的其他扫描仪的泛化能力。此外，同一患者分割预测之间的一致性得到了改善，无论是同一扫描仪重复还是不同扫描仪重复。我们得出结论，GMM-DA 可以提高 DL 模型在临床场景中的可转移性。
等离激元结构颜色的视频速度转换具有高对比度和出色的寿命
大量能源使用。几乎没有足够的空间来进一步改善电力转换，当需要在白天的可见度时，功耗变得特别高。解决这一问题的能量浪费的解决方案是使用反射性显示，也称为“电子纸”，这仅反映了环境光。这会导致功耗极低，[1]提高了明亮环境中的可见性和潜在的健康益处。[2]最近，出现了一个新的研究方向，重点是对等离子体结构颜色的积极控制[1,3]，而电子纸是该领域的一个重要应用。但是，无论是否使用等离子纳米结构，证明其具有与散发性显示的性能相当的电子纸非常困难。[4]广泛的商业设备基于电泳墨水[5]（Amazon Kindle等）且颜色模式下的图像质量差，这是通过包含红色，绿色和蓝色（RGB）滤镜的子像素来实现的。[6]此外，慢速开关（≈1s）可防止视频播放 - 将用法限制在电子阅读器和简单标签等应用程序中。电视技术是一种重要的电子纸技术，因为它提供了视频速度，[7]，但在商业上仍然无法使用。当电影和闪烁完全消失在≈50hz时，人眼认为> 20 Hz的刷新速率> 20 Hz。通过LCD显示器可以实现如此快速的刷新率，但是在反射构型中，图像可见度[8]（绝对反射率<15％）。有机和无机电致色素材料已成为可见光谱区域上高对比度极化独立转换的强大候选者[9]，但是它们的响应时间通常太慢了视频显示的速度（对于过渡金属氧化物而言，数百个MS甚至更多）。通常认为，尽管结构颜色对于电致色素设备来说是非常有趣的，但是对于视频应用来说，开关不能足够快，尤其是如果对比度应该很高（≈50％的绝对反射率或传输变化50％）。对于导电聚合物，开关速度的局限性主要归因于在掺杂过程中电解质和聚合物膜中离子相对较慢的“差异”。[10]存在一些例外，例如聚隔离线，已知可以很快地改变质子化状态。[11]
评估非对比度颅骨CT脑图像的超急性和急性缺血性卒中分类
应迅速接受患者。关于NCCT图像的另一个问题，强度的范围非常宽且稀疏。需要在适合分类器的合适范围内重新销售。在本文中，我们旨在找到合适的窗口设置，用于通过使用Inpection v3在没有CTP的情况下对NCCT图像中缺血性中风的超急性和急性相分类。数据集以轴向切片制备。每个载玻片分类为正常或病变。由于训练样本的限制，将转移学习用于模型的重量初始化。结果表明该模型可以在35时窗口级别表现良好，而窗口宽度为95，90.84％的精度。关键字超急性缺血性中风，急性缺血性中风，非对比度颅骨计算机断层扫描，窗户CT，图像分类1。引言1.1研究中风的背景是全球死亡的第二大原因。在泰国，中风成为死亡或功能障碍的第一个原因。缺血性中风和出血中风是主要原因。缺血性中风是由凝块引起的，该凝块导致大脑的血液供应低（Musuka等人2015）。它分为四个阶段：超急性，急性，亚急性和慢性梗塞（Pressman BD和Tourje EJ 1987）（Nakano s and iseda t 2001）。但是，如果检测到较早的中风，它可能会增加生存和恢复的机会。神经影像受到医生的诊断。在泰国，CT被广泛使用，因为成本比MRI便宜。有许多类型的神经成像，例如磁共振成像（MRI）和计算机断层扫描（CT）。它成为诊断标准并广泛可用（Barber Pa等。2005），（Kidwell CS等人 1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。 2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2005），（Kidwell CS等人1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。1999）。图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2016），（Melisa Sia 2020），（Xue等人2012）尽管CT快速又便宜，但仍有一个限制。视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人，2013）使用造影剂。不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2019），（Cheon等人2019），（Meier等人2019），（Mirtskhulava等人2015），脑肿瘤（Nadeem等人2020），肺癌（Weng等人2017），Retina（Christopher等人 2018）。2017），Retina（Christopher等人2018）。2018）和乳腺癌（Chougrad等人 尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2018）和乳腺癌（Chougrad等人尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2020）也可以在此任务中应用深度学习来实现治疗的最终目标。纸张的其余部分如下组织。CT窗口上的先前工作可以在第1节中找到。第2节阐明了研究的目的。第3节介绍了建议的方法，数据集，CT窗口过程，本工作中应用的分类。在第4节中解释了实验结果的细节，结论是在第5节中。1.2计算机断层扫描中的文献综述（CT）被称为评估梗塞中风的方式。窗口级别（WL）和窗口宽度（WW）的值是具有诊断准确性的重要因素。它可以揭示患者大脑的微妙异常。通常，CT图像上的默认脑窗口设置为40，窗口宽度为80（EE等人。2017），但是这个窗口很难审查梗塞，尤其是在中风的早期。因此，许多作品都在选择适当的窗口级别的合适值，并提出了检测缺血性中风的窗口宽度。
一种用于多发性硬化症全脑和病变同时分割的对比度自适应方法
这里我们介绍了一种从多发性硬化症患者的多对比度脑 MRI 扫描中同时分割白质病变和正常神经解剖结构的方法。该方法将一种新的白质病变模型集成到之前经过验证的全脑分割生成模型中。通过使用单独的解剖结构形状及其在 MRI 中的外观模型，该算法可以适应使用不同扫描仪和成像协议获取的数据而无需重新训练。我们使用四个不同的数据集验证了该方法，在同时分割数十个其他脑结构的同时，显示出在白质病变分割方面的稳健性能。我们进一步证明，对比度自适应方法也可安全地应用于健康对照的 MRI 扫描，并复制之前记录的 MS 深层灰质结构萎缩模式。该算法作为开源神经成像包 FreeSurfer 的一部分向公众开放。
一种用于多发性硬化症全脑和病变同时分割的对比度自适应方法
这里我们介绍了一种从多发性硬化症患者的多对比度脑 MRI 扫描中同时分割白质病变和正常神经解剖结构的方法。该方法将一种新的白质病变模型集成到之前经过验证的全脑分割生成模型中。通过使用单独的解剖结构形状及其在 MRI 中的外观模型，该算法可以适应使用不同扫描仪和成像协议获取的数据而无需重新训练。我们使用四个不同的数据集验证了该方法，在同时分割数十个其他脑结构的同时，显示出在白质病变分割方面的稳健性能。我们进一步证明，对比度自适应方法也可安全地应用于健康对照的 MRI 扫描，并复制之前记录的 MS 深层灰质结构萎缩模式。该算法作为开源神经成像包 FreeSurfer 的一部分向公众开放。
高对比度的“ Gaudy”图像改善了视觉皮层的深神经网络模型的训练
理解视觉系统的感觉转换的关键挑战是获得一个高度预测的模型，该模型将自然图像映射到神经反应。深神经网络（DNNS）为这种模型提供了有前途的候选人。但是，由于实验记录时间受到严重限制，DNN要求比神经科学家可以收集的训练数据多。这促使我们找到了用尽可能少的培训数据训练高度预测的DNN的图像。，我们提出了自然图像的高对比度，双核版本（Termed Gaudy图像），以有效地训练DNNS，以预测高阶的视觉皮质响应。在对真实神经数据的仿真实验和分析中，我们发现具有艳丽图像的训练DNN大大减少了准确预测对自然图像的响应所需的训练图像的数量。我们还发现，在训练之前选择的谨慎图像优于通过主动学习算法在训练期间选择的图像。因此，谨慎的图像过多地强调了自然图像的特征，这对于有效地训练DNN最重要。我们认为，艳丽的图像将有助于对视觉皮质神经元的建模，这有可能打开有关视觉处理的新科学问题。
使用多阶段 Attention-GAN 进行高组织对比度 MRI 合成以进行胶质瘤分割
磁共振成像 (MRI) 基于强磁场提供内脏器官的不同组织对比度图像。尽管 MRI 在频繁成像方面具有非侵入性优势，但目标区域中的低对比度 MRI 图像使组织分割成为一个具有挑战性的问题。本文展示了图像到图像转换技术生成合成高组织对比度 (HTC) 图像的潜在优势。值得注意的是，我们采用了一种具有注意机制的新型循环生成对抗网络 (CycleGAN) 来增加底层组织内的对比度。注意力模块以及对 HTC 图像的训练引导我们的模型收敛到某些组织。为了提高 HTC 图像的分辨率，我们采用多阶段架构将焦点集中在一种特定组织作为前景，并在每个阶段滤除不相关的背景。这种多阶段结构还通过减小源域和目标域之间的差距来减轻合成图像的常见伪影。我们展示了我们的方法在脑部 MRI 扫描（包括胶质瘤）中合成 HTC 图像的应用。我们还在端到端和两阶段分割结构中使用 HTC MRI 图像来确认这些图像的有效性。在 BraTS 2018 数据集上对三个竞争性分割基线进行的实验表明，将合成的 HTC 图像纳入多模态分割框架中可分别将整个肿瘤、肿瘤核心和增强肿瘤的平均 Dice 得分提高 0.8%、0.6% 和 0.5%，同时从分割过程中消除了一个真实的 MRI 序列。