XiaoMi-AI文件搜索系统
World File Search System对比
探索基于深度学习的大脑MRI-TO-CT合成中的对比度概括
背景：已提出合成计算机断层扫描（SCT），并越来越多地采用以实现基于磁共振成像（MRI）的放射疗法。深度学习（DL）最近证明了从固定MRI采集中生成准确的SCT的能力。但是，由于模型概括不良，MRI方案可能会随着时间的推移而随着时间的流逝而变化或不同。目的：研究域随机化（DR）以增加脑SCT生成DL模型的概括。方法：收集了95例接受RT患者的CT和相应的T 1加权MRI，带有 /无对比度，T 2加权和FLAIR MRI，考虑到可以研究概括的未见序列的能力。“基线”生成对抗网络进行了 /没有天赋序列的训练，以测试模型在没有DR的情况下的性能。基于SCT的剂量计划的图像相似性和准确性对CT进行了评估，以选择针对基线的表现最佳的DR方法。结果：基线模型在FLAIR上的性能最差，平均绝对误差（MAE）= 106±20.7 HU（平均值±σ）。在MAE = 99.0±14.9 HU的DR模型中，Flair上的性能显着提高，但仍然不如基线 + Flair模型的性能（MAE = 72.6±10.1 HU）。同样，对于DR VS基线，获得了γ速率的提高。结论：DR提高了仅在获得的MRI上训练的未见序列上的图像相似性和剂量准确性。DR使模型更加稳健，从而减少了在未见序列上应用模型时重新训练的需求，并且无法进行重新训练。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招募和指导科学家和实习生以及建立数据和注释伙伴关系。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招聘和指导科学家和实习生以及建立数据和注释合作伙伴关系。
重新思考多重对比 MRI 超级扩散模型...
最近，扩散模型 (DM) 已应用于磁共振成像 (MRI) 超分辨率 (SR) 重建，并表现出令人印象深刻的性能，尤其是在细节重建方面。然而，当前基于 DM 的 SR 重建方法仍然面临以下问题：（1）它们需要大量迭代来重建最终图像，效率低下且消耗大量计算资源。（2）这些方法重建的结果通常与真实的高分辨率图像不一致，导致重建的 MRI 图像出现明显失真。为了解决上述问题，我们提出了一种用于多对比 MRI SR 的有效扩散模型，称为 DiffMSR。具体而言，我们在高度紧凑的低维潜在空间中应用 DM 来生成具有高频细节信息的先验知识。高度紧凑的潜在空间确保 DM 只需要几次简单的迭代即可产生准确的先验知识。此外，我们设计了 Prior-Guide Large Window Transformer (PLWformer) 作为 DM 的解码器，它可以扩展感受野，同时充分利用 DM 产生的先验知识，以确保重建的 MR 图像保持不失真。在公共和临床数据集上进行的大量实验表明，我们的 DiffMSR 1 优于最先进的方法。
引用风扇J，Tao L，Zhan W，Li W，Kuang L，Zhao Y和Zhou W（2024）对比造影剂的定性和定量参数的诊断值
分化的甲状腺癌（DTC）（1）包括乳头状甲状腺癌（PTC），卵泡甲状腺癌（FTC）及其变异亚型（2），是最常见的内分泌恶性肿瘤，并且最近几年的发病率迅速增加。DTC通常具有良好的预后，碘131治疗和甲状腺抑制剂已被证明对10年生存率的患者有益，范围为80％至95％（3，4）。然而，大约5％-20％的病例可能由于基因突变引起的肿瘤生物学变异，导致不同的亚型和预后不良，这可能与高度浸润性肿瘤的生物学特征有关（5）。因此，甲状腺结节的鉴别诊断仍然很明显。对比增强超声（CEU）可以实时评估组织的微循环灌注（6），提供准确可靠的数据，并且可以避免由个体差异引起的诊断错误（7）。由于甲状腺正常组织中的微容器的丰度，它显示出造影剂后的快速和均匀增强。然而，甲状腺结节具有不同的血管生成模式，并且CEUS上的表现可能不同（8）。先前的研究报道了甲状腺结节的CEUS特征，但是，大多数是基于结节内部（9-11），而CEUS上甲状腺结节的增强模式仍然没有足够的能力来诊断甲状腺癌（12）。到目前为止，只有一项研究重点介绍了结节周围区的CEU特征（13）。这项研究的目的是通过研究甲状腺结节的内部和外围区域的定性和定量参数来评估CEU在DTC的鉴别诊断中的价值。
探索对比鲜明的热带森林，树组织和发育阶段
真菌内生菌在热带森林动力学中起着关键作用，通过生长刺激，疾病抑制，胁迫耐受性和营养动员而影响植物的影响。这项研究研究了热带植物中内生菌社区的区域，叶片发育阶段和组织类型的影响。年轻和成熟的叶子是从47种荒谬的物种中收集的，来自23种的sapwood，哥斯达黎加的高果实和瓜纳卡斯特的旧生长森林。真菌多样性和组成是通过对ITS2 nrDNA区域的质量编码进行评估的。最识别的ASV距离门comycota。diver命令是botryosphaeriales和glomerellales sig-nifimpy促进了内生构造的贡献，而无需检测到宿主特异性群落。我们观察到了各个地区的物种丰富度的显着差异，并通过β多样性确定了明显的组成。在成熟的叶组织和幼体叶组织之间没有发现统计学上的显着变化。相比之下，叶子比Sapwood表现出更丰富，更多样化的组合。随着植物在时间和空间中经历了不同的环境，我们的结果可能会因通过个体发育而改变结构和化学性质的影响。鉴于这些真菌对农业和森林生态系统的潜在影响，持续的研究对于辨别宿主，内生物和其他生态机制在明显的定殖模式中的作用至关重要。
深度预测的对比度学习-IRIS
深度预测是几种计算机视觉应用程序的核心，例如自动驾驶和机器人技术。通常将其作为回归任务进行表达，其中通过网络层估算深度阀。不幸的是，很少探索深度图上值的分布。因此，本文提出了一个新颖的框架，结合了对比度学习和深度预测，使我们能够更加关注深度分布，从而对整体估计过程进行改进。有意地提出了一个基于窗口的对比学习模块，该模块将特征映射划分为非重叠的窗口，并在每个窗口内构造对比损失。形成和排序正面和负对，然后在代表空间中扩大两者之间的间隙，约束深度分布以适合深度图的特征。对Kitti和NYU数据集的实验证明了我们框架的有效性。
对比造影剂增强了回顾性NSCLC队列模型中的CT放射基因组学，尝试验证已发布模型以及临床环境的相关性
来自多伦多大学多伦多大学玛格丽特公主医院医学成像联合部，加拿大M5G 2C1（又名R.H.，R.K.，R.K.，S.M.，C.O.，C.O.，U.M.，P.V.-H。）;苏黎世苏黎世大学苏黎世大学苏黎世大学诊断与介入放射学研究所，瑞士（R.H.）；多伦多大学多伦多大学玛格丽特癌症中心生物统计学系，加拿大M5G 2C1（L.A.）；加拿大安大略省多伦多的安大略省癌症研究所/公主玛格丽特癌症中心大学卫生网络（M.T.，Q.L.）;加拿大多伦多大学大学卫生网络辐射肿瘤学系（A.H.）。收到2023年12月11日；修订于2024年1月18日； 2024年1月23日接受。地址为：K.A。电子邮件：andres.kohan@uhn.ca电子邮件：andres.kohan@uhn.ca
一个针对比特币能源使用的综合研究框架：基本面，经济原理和热力学的少量
比特币的能源使用在学者，从业者和公众之间进行了争论。这场辩论通常是有偏见和特征的。因此，我以讨论比特币的基本原理的讨论开始了本文，其中包括广泛持有的误解。接下来，我说明了比特币与能量的关系并描述潜在的激励机制。在论文的主体中，我讨论了比特币能源使用的各种组成部分，包括能量的数量，组成和地理分歧，以及出现的积极和负面影响。然后将这些组件合并为一个综合框架，为未来的学术研究提供了坚实的基础，并为从业者提供了有关如何以及为什么比特币需要能量以及是否可以从环境角度进行理由的全局。
SSVEP 视觉刺激的大小和对比度对虚拟现实分类准确性和用户友好性的影响
摘要 — 基于 SSVEP 的 BCI 在速度和准确性方面是最有前途的 BCI 之一。然而，尽管社区付出了巨大的努力使它们更加实用和用户友好，但它们使用起来仍然特别烦人。在本文中，我们研究了 SSVEP 视觉刺激的大小和对比度对分类准确性和界面烦恼的影响，总体目标是在性能和用户友好性之间找到一个平衡点。我们对十二 (12) 名参与者进行了用户研究，以评估不同刺激大小和对比度对虚拟现实环境中 SSVEP 分类准确性的联合影响。该实验的结果表明，刺激的大小对分类准确性（低于某个阈值）和感知烦恼都有显著影响。然而，对比度对分类准确性和感知烦恼都没有影响，这表明使用较低对比度的刺激仍然可以准确地操作基于 SSVEP 的 BCI。索引术语 — 组件、格式、样式、样式、插入