XiaoMi-AI文件搜索系统
World File Search System磁场线圈
用于量子模拟的磁场噪声消除......
本文介绍了一种用于捕获离子的量子实验中磁场噪声的前馈补偿系统。该补偿系统在两个实验装置中实现，一个用于量子模拟，另一个用于精密光谱学。在这两个实验中，量子比特都被编码在一对捕获的 40 Ca + 离子的电子能级中。补偿系统用于抑制实验室中由 50 Hz 电源线引起的环境磁场噪声。基于磁场线圈和函数发生器的前馈系统采用一种简单的技术方法，以产生调制磁场。前馈补偿系统的工作原理是施加异相磁场，以破坏性地叠加离子位置的磁场噪声。对于函数发生器，使用可编程的 RedPitaya 板。在这项工作中，为该板开发了一个控制软件，允许补偿系统快速运行。此外，还开发了一个实验序列，其中离子量子比特被用作量化磁场噪声的传感器。该实验依赖于 CPMG π 脉冲序列。
改进了基于yolov2和卷积神经网络MRI的脑肿瘤分析的改进框架
抽象脑肿瘤是一组异常细胞。大脑被封闭在更刚性的头骨中。异常细胞生长并开始肿瘤。检测肿瘤是由于不规则的肿瘤形状而成为复杂的任务。所提出的技术包含四个阶段，这些阶段是病变增强，特征提取和用于分类，定位和分割的选择。磁共振成像（MRI）图像由于某些因素（例如摄取图像和磁场线圈波动）而嘈杂。因此，使用同态小波档案进行降噪。后来，使用非主导的排序遗传算法（NSGA）选择了InceptionV3预训练模型中提取的特征和信息特征。将优化的特征转发用于分类，然后将肿瘤切片传递给Yolov2-InceptionV3模型，设计用于肿瘤区域的定位，从而从深度偶联（混合-4）层的IntectionV3模型中提取特征并提供给Yolov2。将局部图像传递给麦卡洛克的卡普尔熵方法，以分割实际的肿瘤区域。最后，在三个基准数据库2018，Brats 2019和Brats 2020中验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位，分割和分类中获得的预测得分大于0.90。此外，与现有方法相比，分类和分割结果优越。
基于 YOLOv2 和卷积神经网络的 MRI 脑肿瘤分析改进框架
摘要 脑肿瘤是一组异常细胞。大脑被包裹在更坚硬的头骨中。异常细胞生长并引发肿瘤。由于肿瘤形状不规则，肿瘤检测是一项复杂的任务。所提出的技术包含四个阶段，即病变增强、特征提取和选择以进行分类、定位和分割。磁共振成像 (MRI) 图像由于某些因素（例如图像采集和磁场线圈的波动）而带有噪声。因此，使用同态小波滤波器进行降噪。然后，使用非支配排序遗传算法 (NSGA) 从 inceptionv3 预训练模型中提取特征并选择信息特征。优化的特征被转发进行分类，之后肿瘤切片被传递到为肿瘤区域定位而设计的 YOLOv2-inceptionv3 模型，以便从 inceptionv3 模型的深度连接 (mixed-4) 层提取特征并提供给 YOLOv2。将定位图像传递给 McCulloch 的 Kapur 熵方法以分割实际肿瘤区域。最后，在三个基准数据库 BRATS 2018、BRATS 2019 和 BRATS 2020 上验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位、分割和分类中取得了 0.90 以上的预测分数。此外，与现有方法相比，分类和分割结果更优。