XiaoMi-AI文件搜索系统
World File Search System扫描效率
使用转移技术通过 MRI 对脑肿瘤进行分类...
摘要：在医学领域，图像分割是一项至关重要且困难的任务。识别异常脑组织的一种有用技术是磁共振成像 (MRI) 扫描。对于放射科医生来说，从 MRI 扫描中正确识别和分类脑肿瘤仍然是一项困难且耗时的任务。这项研究提供了一种准确识别脑肿瘤的巧妙技术。该研究调查了卷积神经网络 (CNN) 与优化技术的结合使用，以从 MRI 数据中对不同类型的脑肿瘤进行分类。具体而言，使用 VGG16 模型上的迁移学习对肿瘤特征进行分类并识别肿瘤种类。该方法旨在提高 MRI 扫描效率并提高识别精度。当使用来自 Figshare、SARTAJ 和 Br35H 数据集 [31] 的 MRI 扫描进行评估时，利用迁移学习的所提出方法增强了原始 VGG16 模型的性能，允许比其基线功能更准确、更稳健的分类，从 91.38% [1] 提高到 95% 以上。关键词：MRI 预处理、分类、脑肿瘤、卷积神经网络、迁移学习
对碳实体的影响
使用CO 2注入增强的石油回收（EOR）是有希望的，经济和环境益处是一种积极的气候变化方法。然而，CO 2注射的较低扫描效率仍然是一个挑战。CO 2 -FOAM注射已被提议作为一种补救措施，但其对特定储层的实验室筛查是昂贵且耗时的。在这项研究中，使用机器学习模型来预测CO 2-FOAM洪水期间的石油回收因子（ORF）。四个模型，包括通用回归神经网络（GRNN），具有Levenberg - Marquardt优化（CFNN-LM），具有贝叶斯正则化（CFNN-BR）（CFNN-BR）的级联向前神经网络的级联向前神经网络以及基于实验数据的实验数据，以贝叶斯正则化（CFNN-BR）（CFNN-BR）（CFNN-BR）（CFNN-BR）和极端梯度提升（XGBoost）。结果表明，GRNN模型的表现优于其他模型，总体平均绝对误差为0.059，R 2为0.9999。使用威廉姆斯图对GRNN Model的适用性域进行了验证，并对CO 2 -FOAM洪水项目进行了不确定性分析。这项研究的新颖性在于开发一种基于机器学习的方法，该方法在CO 2-FOAM实验中对ORF进行了准确且具有成本效益的预测。这种方法具有显着减少CO 2 -FOAM注入所需的筛查成本和时间的po态，从而使其成为更可行的碳利用和EOR策略。
在线研究 @ Cardiff - Orca
1美国田纳西州纳什维尔市范德比尔特大学医学中心放射与放射科学系2美国田纳西州纳什维尔大学医学中心，范德比尔特大学成像科学研究所，美国田纳西州纳什维尔市3卡迪夫大学脑研究中心，加迪夫大学大脑研究中心，加迪夫大学，卡迪夫大学，王后科学，加里夫大学。工程，范德比尔特大学，田纳西州纳什维尔市，美国6电气工程和计算机工程，范德比尔特大学，田纳西州纳什维尔，美国田纳西州 *中枢神经系统的组织微观结构。大多数实验设计采样了大量扩散加权方向以计算球形平均信号，但是，对这些方向的子集进行采样可能会提高扫描效率并启用扫描时间减少，或者可以减少采样更多扩散权重。在这里，我们旨在确定稳健测量球形平均信号所需的最小梯度方向数。我们使用计算机模拟来表征测得的球形平均信号的变化，这是梯度方向数量的函数，同时还研究了扩散加权（B值），信号 - 噪声比率（SNR），可用硬件和球形平均拟合策略的影响。然后，我们利用大脑和脊髓中的经验获得的数据来验证模拟，显示实验结果与模拟良好一致。我们通过提供直观的查找表来概括这些结果，以促进确定可靠的球形均值测量所需的最小数量的采样方向，并根据SNR和实验条件提供建议。关键字：球形平均信号，最佳采样，音量分数，扩散性简介