XiaoMi-AI文件搜索系统
World File Search System描绘
在鲍曼尼杆菌中描绘了针对GACS传感器激酶的免疫主导抗原疫苗肽：一种硅硅含量研究方法
结果：从137个表位中选择了最高分数的九种肽（20AA），并将五个肽视为抗原表位（E1 – E5）。E3作为有效抗原（得分：0.939537）和E1作为最佳疫苗候选者（得分：0.9803）。Solpro将所有表位视为可溶性肽。Protparam预测显示E3和E5作为稳定蛋白，保质期为3.5和1.9 h，具有负肉汁值。PSORTB服务器预测GACS蛋白序列作为细胞质膜蛋白的最终定位评分为7.88。IEDB保护分析显示，GACS序列中的100％保守序列，I类保护均为所有表位产生正值。聚类分析显示出很强的相互作用，并且与TLR-2最终检测到的E5的蛋白质肽相互作用是最佳相互作用的肽（H键= 14），其次是E3（H键= 12）。
使用深度学习对胶质母细胞瘤患者进行全自动脑切除腔描绘以定义放射靶体积
背景：自动脑肿瘤分割方法是一种计算算法，可从多模态磁共振成像 (MRI) 中勾画出肿瘤轮廓。我们介绍了一种使用深度学习 (DL) 技术对多形性胶质母细胞瘤 (GBM) 患者的切除腔 (RC) 进行自动分割的方法及其结果。方法：纳入 30 名 GBM 患者的术后、有无造影的 T1w、T2w 和液体衰减反转恢复 MRI 研究。三位放射肿瘤学家手动勾画了 RC 以获得参考分割。我们开发了一种 DL 腔分割方法，该方法利用所有四个 MRI 序列和参考分割来学习执行 RC 勾画。我们根据 Dice 系数 (DC) 和估计体积测量值评估了分割方法。
使用机载激光扫描绘制城市树冠覆盖图
NINA 出版物 NINA 报告 (NINA Rapport) 这是 NINA 向客户报告已完成的研究、监测或审查工作的常用形式。此外，该系列还将包括研究所的许多其他报告，例如研讨会和会议报告、内部研究和审查工作结果以及文献研究等。在适当的情况下，NINA 报告也可以以第二语言发布。NINA 特别报告 (NINA Temahefte) 顾名思义，特别报告涉及特别主题。特别报告是根据需要制作的，该系列的范围很广：从系统识别关键到有关社会重要问题领域的信息。NINA 特别报告通常采用流行的科学形式，与 NINA 报告相比，其插图更重要。NINA 概况介绍 (NINA Fakta) 概况介绍的目的是让公众快速轻松地获取 NINA 的研究成果。概况介绍简要介绍了我们一些最重要的研究主题。其他出版物 除了在 NINA 自己的系列中报道外，该研究所的员工还在国际期刊、科普书籍和杂志上发表了大部分科学成果。
原创文章 基于人体头部的集成和模块化组织，用 MRI 描绘颅面软硬组织对称性：三
摘要：目的：准确评估颅面对称性在正畸实践中至关重要但具有挑战性。我们提出使用磁共振成像（MRI）对颅面总体轮廓和软硬组织对称性的细节进行三维分析。方法：为此，对志愿者拍摄了最近描述的黑骨和软组织 MRI 序列，并使用坐标系进行分析。由于各种颅面组织（脑-颅骨-面部和神经-骨-肌肉）是相互作用的结构，因此脑中线和面部中线高度一致。在该坐标系中，大脑前镰（大脑镰）被用作正中矢状面。可以使用坐标系分析新提出的通过黑骨和软组织序列获取 MRI 数据的方法。结果：坐标系可以在软组织和黑骨序列之间转换，从而提供准确的三维颅面特征分析以确定颅面不对称性。结论：本初步研究为颅面对称性的三维分析、正中矢状面的确定及避免放射治疗提出了新的思路和方法。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
一种从空间立体影像中描绘建筑物足迹的混合方法
城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物足迹 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两个核线图像中都无法清晰地检测到建筑物轮廓的情况下。此外，尽管影像匹配提供了表示建筑物高度的 DSM，但从该 DSM 中提取的建筑物大小和形状通常