XiaoMi-AI文件搜索系统
World File Search System聚类
评估瑞士儿童期脑癌聚类分析的发现
免责声明本报告由瑞士应用人类毒理学中心（SCAHT）详细阐述。scaht由瑞士联合会资助，并由巴塞尔大学，日内瓦，洛桑和FHNW生活科学学院的大学支持。该中心支持应用人类毒理学的研究，并促进了多学科信息和数据的交换。scaht为人类毒理学的教育和培训做出了贡献，并鼓励学生和新成员招募该职业。SCAHT的监管毒理学小组与巴塞尔大学的药物科学系有关。该小组为瑞士当局，媒体，公众和第三方提供监管毒理学方面的专家建议和服务，并负责提供专业分析。作者没有宣布的利益冲突。
神经形态在线聚类和分类
神经形态架构的底部两层经过设计，并被证明能够进行在线聚类和监督分类。使用主动脉冲树突模型，单个树突段执行的功能与经典的积分和激发点神经元基本相同。然后，单个树突由多个段组成，并能够进行在线聚类。虽然这项工作主要侧重于树突功能，但可以通过组合多个树突来形成多点神经元。为了展示其聚类能力，树突被应用于脉冲分类——脑机接口应用的重要组成部分。监督在线分类被实现为由多个树突和简单投票机制组成的网络。树突独立且并行地运行。网络以在线方式学习，并能适应输入流中的宏观变化。
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
文章 - 工程、技术和技巧基于卷积深度神经网络的脑肿瘤诊断，使用聚类图像和特征- Sup
摘要：识别和分类胶质瘤脑肿瘤是医学领域的一项艰巨任务，为了延长患者的寿命，尽早识别恶性肿瘤至关重要。已经进行了医学图像分析研究以帮助检测恶性脑肿瘤。为了实现高分类性能，提取的特征必须既具有描述性又具有判别性。机器学习在分类中至关重要，因为它具有灵活性和对不同问题的适应性。我们提出了一种聚类图像和特征支持分类器 (CIFC) 以及一个深度卷积神经网络框架来对脑肿瘤图像进行分类。所提出的模型由各种分类器组成，例如：(i) 原始和分段图像特征支持的分类器；(ii) 原始和分段图像支持的分类器和 (iii) 聚类图像和特征支持的分类器。免费和开放访问的图像数据集 BRATS 2021 用于训练和测试所提出的肿瘤检测系统框架。 CFIC 的表现优于迄今为止提出的几乎所有分类器。所提出的系统的性能指标结果为灵敏度 99.76%、特异性 98.04% 和准确度 99.87%。因此，与其他现有技术相比，所提出的系统结果在肿瘤检测方面表现良好。
将超声心动图参数与可解释的人工智能集成，以用于基本二尖瓣反流表型的数据驱动聚类
MV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse TapseMV流量减速时间ERO通过PISA方法通过PISA方法通过PISA方法流量E'PISA E'S'速度E/E'速度比MR速度速率流量为体积量通过体积方法MV Annulus calification MV Annulus calification La calification La calification la量LA体积la量基底RV直径在4-Chamber View Tapse Tapse Tapse Tapse
通过其时间表达模式聚类精神分裂基因有助于功能解释
1心理健康与成瘾司，挪威精神障碍研究中心（诺门特），奥斯陆大学医院和挪威奥斯陆奥斯陆大学临床医学研究所； 2荷兰马斯特里赫特市马斯特里赫特大学心理健康与神经科学学院卫生，医学和生命科学学院； 3挪威奥斯陆奥斯陆大学心理学系； 4耶鲁大学医学院精神病学系，康涅狄格州纽黑文； 5荷兰乌得勒支乌得勒支大学医学中心精神病学系； 6 Cardiff大学神经精神遗传学与基因组学中心心理医学和临床神经科学系，英国加的夫大学的卡迪夫大学医学院； 7挪威奥斯陆奥斯陆大学医院医学遗传学系； 8挪威卑尔根大学精神障碍研究中心临床科学系； 9 K.G.Jebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingenJebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingen
抑制拓扑异构酶2催化活性会影响异染色质和重复DNA的完整性，并导致聚类重复序列之间的链接
。cc-by-nc-nd 4.0国际许可证（未获得同行评审证书）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年8月3日。 https://doi.org/10.1101/2023.08.01.551420 doi：biorxiv Preprint
使用卷积神经网络和模糊 K 均值聚类分割脑肿瘤病变区域 S. Fooladi、H. Farsi *、S. Mohamadzadeh
脑肿瘤分割是医学图像处理的最重要方法之一。非自动分割广泛应用于临床诊断和药物治疗。然而，这种分割在医学图像中不准确，特别是在脑肿瘤方面，而且可靠性较低。本文的主要目的是开发一种脑肿瘤分割方法。本文提出了一种卷积神经网络和模糊K均值算法的组合来分割脑肿瘤的病变区域。它包含三个阶段：图像预处理以降低计算复杂度、属性提取和选择以及分割。首先，使用自适应滤波器和小波变换对数据库图像进行预处理，以从噪声状态中恢复图像并降低计算复杂度。然后通过提出的深度神经网络进行特征提取。最后，通过模糊K均值算法进行处理，分别分割肿瘤区域。本文的创新之处在于实现具有最佳参数的深度神经网络，识别相关特征并删除不相关和重复的特征，目的是观察能够很好地描述问题的特征子集，同时尽量减少效率降低。这可以减少特征集，在操作过程中存储数据收集资源，并减少总体数据以限制存储需求。所提出的分割方法已在 BRATS 数据集上得到验证，准确率为 98.64%，灵敏度为 100%，特异性为 99%。