XiaoMi-AI文件搜索系统
World File Search System自动检测
使用 3D 神经网络系统自动检测多参数脑 MRI 中的关键发现
随着脑部 MRI 的快速发展和使用日益广泛，人们对自动图像分类的兴趣日益浓厚，以帮助人类进行解释并改善工作流程。我们的目标是训练一个深度卷积神经网络，并评估其在识别异常脑部 MRI 和关键颅内发现（包括急性梗塞、急性出血和占位效应）方面的表现。总共 13,215 项临床脑部 MRI 研究被分类为训练（74%）、验证（9%）、内部测试（8%）和外部测试（8%）数据集。每个脑部 MRI 最多包含八个对比，并且每个图像体积都重新格式化为通用分辨率，以适应扫描仪之间的差异。在审查放射学报告后，三位神经放射学家将每项研究分配为异常与正常，并确定了三个关键发现，包括急性梗塞、急性出血和占位效应。深度卷积神经网络由定位特征提取 (LFE) 模块和全局分类器的组合构建，以识别脑部 MRI 中 4 个变量的存在，包括异常、急性梗塞、急性出血和占位效应。训练、验证和测试集是根据患者随机定义的。训练是在 9845 项研究中进行的，使用平衡抽样来解决类别不平衡问题。进行了接收者操作特性 (ROC) 分析。我们内部测试数据中 1050 项研究的模型 ROC 分析显示，正常和异常脑 MRI 的 AUC/敏感性/特异性为 0.91/83%/86%，急性梗塞为 0.95/92%/88%，急性出血为 0.90/89%/81%，质量效应为 0.93/93%/85%。对于我们外部测试数据中的 1072 项研究，其显示正常和异常脑 MRI 的 AUC/ 灵敏度/特异性为 0.88/80%/80%，急性梗塞的 AUC/ 灵敏度/特异性为 0.97/90%/97%，急性出血的 AUC/ 灵敏度/特异性为 0.83/72%/88%，占位效应的 AUC/ 灵敏度/特异性为 0.87/79%/81%。我们提出的深度卷积网络可以准确识别单个脑 MRI 上的异常和关键颅内发现，同时解决了某些 MR 对比可能在单个研究中不可用的事实。
使用深度学习技术自动检测睡眠阶段：最近十年的系统评价（2010-2020）
本文介绍了微带宽带微波放大器设计和分析所涉及的程序。用于系统设计，仿真，优化和分析，采用了计算机辅助设计（CAD）工具，即Angilent Advance Design System（ADS）。对放大器设备-FLC317MG-4 FET进行了测试，以稳定性测试，并观察到在2至6 GHz频带之间无条件稳定。研究了两个可能的理想匹配电路，以确定具有最大传感器功率增益的最佳匹配电路。观察到，具有平行开路存根的四分之一波变压器比其他匹配电路在频率范围更大（带宽/宽带更大的频率（带宽/宽带）的范围更高。因此，它是使用微丝线进行宽带放大器设计的，并以3.5至4.5 GHz的带宽实现了约9.8 dB至10.118 dB的最大扁平增益。
使用 LiDAR 点云和 GIS 分析自动检测土地覆盖变化和监测森林演替
摘要：本文探讨了将光探测和测距 (LiDAR) 点云和地理信息系统 (GIS) 分析应用于土地利用和土地覆盖 (LULC) 变化检测的可能性，主要目的是监测后农业土地上发生的不受控制的森林演替。这项研究是在 Milicz 行政区（波兰中西部地区）的一部分进行的。感兴趣的区域是已经放弃农业用途并且森林演替过程已经进展的地块。机载激光扫描 (ALS) 数据（于 2007 年、2012 年和 2015 年获取）揭示了由于森林演替过程的进展而导致的土地覆盖的详细变化。使用 ALS 数据，显示了 LULC 变化和次生林演替的进展，并给出了植被参数（LiDAR 指标）。
使用内部灰度方差和数字表面模型从卫星图像中自动检测建筑物
摘要 自动建筑物提取最近被认为是遥感操作中的一项活跃研究。它已经进行了 20 多年，但由于图像分辨率、变化和细节级别，自动提取仍然遇到问题。由于物体密度高和场景复杂，这将是一个更大的挑战，尤其是在城市地区。本文将介绍一个高分辨率全色图像的理想框架，有助于可靠和准确的建筑物提取操作。提出的框架以及对领域知识（空间和光谱特性）的考虑提供了诸如场景中物体的性质、它们的光学相互作用及其对结果图像的影响等特征。为了更好地分析场景的几何性质，我们使用数字表面模型 (DSM)。已使用来自 IKONOS 和 QuickBird 卫星的各种图像对提出的算法进行了评估。结果表明，与最先进的方法相比，所提出的算法准确且有效。
基于改进的社会群体优化的深度学习技术，用于脑肿瘤自动检测——医疗保健 4.0 应用
如今，只要有图像处理的空间，分割对于诊断严重疾病至关重要。在这项工作中，提出了将最流行的元启发式算法与传统神经网络 (CNN) 相结合的方法。作为研究的一部分，使用了水母和改进的社会群体优化算法 (MSGOA)。借助算法各自的元启发式方法，修改或设计了 CNN 权重和相应的超参数。这无疑提高了分割的效率，分割的效率以生物医学图像处理的几个指标来衡量。准确度、损失、交并比 (IoU) 是本研究采用的一些指标，以便更好地理解算法的有效性。此外，在任一算法中，检测过程都进行了模拟，均匀地消耗了 100 次迭代。所提出的方法有效地分割了肿瘤部分。模拟已在 MATLAB 中进行，结果以计算指标、收敛图和分割图像的形式呈现。
TNTdetect.AI：一种用于自动检测和计数显微镜图像中的隧道纳米管的深度学习模型
1 圣何塞州立大学信息系统与技术学院，美国加利福尼亚州圣何塞 95192 2 韩国科学技术院管理信息系统系，韩国大田 34141 3 伊尔迪兹技术大学电子与通信工程系，土耳其伊斯坦布尔 34349 4 明尼苏达大学医学院血液学、肿瘤学和移植医学系，美国明尼苏达州明尼阿波利斯 55455 5 斯坦福大学医学院神经病学和神经科学系，美国加利福尼亚州斯坦福 94305 6 斯坦福大学医学院精准健康和综合诊断中心，美国加利福尼亚州斯坦福 94305 7 明尼苏达大学信息学研究所，美国明尼苏达州明尼阿波利斯 55455 8 共济会癌症中心，美国明尼苏达州明尼阿波利斯 55455 9 MD 安德森癌症中心神经肿瘤学系德克萨斯大学系统中心，美国德克萨斯州休斯顿 77030 10 神经科学研究生项目，MD 安德森 UTHealth 生物医学科学研究生院，美国德克萨斯州休斯顿 77030 11 癌症生物学研究生项目，MD 安德森 UTHealth 生物医学科学研究生院，美国德克萨斯州休斯顿 77030 * 通信地址：emil-lou@umn.edu (EL)；cbpatel@mdanderson.org (CBP)；电话：+1-612-625-9604 (EL)；+1-713-792-0778 (CBP)；传真：612-625-6919 (EL)；713-745-0387 (CBP) † 这些作者对本文的贡献相同。 ‡ 这些作者对本文的贡献相同。
视觉变压器用于角膜共聚焦显微镜图像中糖尿病周围神经病的自动检测
糖尿病周围神经病（DPN）的早期检测和管理对于降低相关的发病率和死亡率至关重要。角膜共聚焦显微镜（CCM）促进了角膜神经的成像，以检测DPN的早期和进行性神经损伤。然而，它的更广泛的采用受到手动神经量化的主观性和时间密集型性质的限制。这项研究研究了CCM图像的二元分类，以区分健康对照和DPN个体的二元分类，研究了最先进的视觉变压器（VIT）模型的诊断实用性。还将VIT模型的性能与先前使用CCM图像用于DPN检测的卷积神经网络（CNN）进行了比较。使用大约700 ccm图像的数据集，VIT模型达到了0.99的AUC，灵敏度为98％，特定的92％，而F1得分为95％，超过了先前报道的方法。这些发现突出了VIT模型作为基于CCM的DPN诊断的可靠工具的潜力，从而消除了对耗时的手动图像分割的需求。此外，结果增强了CCM作为检测神经损伤的非侵入性和精确成像方式的价值，尤其是在神经病相关的疾病（例如DPN）中。
使用进化量子启发水平集技术自动检测 MRI 脑肿瘤的新型医学分析框架
摘要：准确分割 3D 磁共振成像 (3D-MRI) 中的脑肿瘤对于简化诊断和治疗过程至关重要。在基于能量函数理论的图像分割和分析方法领域，水平集方法已成为一种有效的计算方法，极大地促进了几何活动轮廓模型的发展。使用水平集技术时，减少分割误差和所需迭代次数的一个重要因素是初始轮廓点的选择，这两者在处理脑肿瘤可能具有的各种大小、形状和结构时都很重要。为了定义速度函数，传统方法仅使用图像梯度、边缘强度和区域强度。本文提出了一种受量子启发蜻蜓算法 (QDA) 影响的聚类方法，QDA 是一种受蜻蜓群居行为启发的元启发式优化器，用于准确提取初始轮廓点。所提出的模型采用量子启发计算范式来稳定开发和探索之间的权衡，从而弥补传统基于 DA 的聚类方法的任何缺点，例如收敛速度慢或陷入局部最优。首先，可以使用量子旋转门概念将代理群重新定位到可以更好地实现最优值的位置。然后，通过采用突变程序来增强群体突变并实现其多样性，使主要技术具有强大的局部搜索能力。在将颅骨与大脑分离的初步阶段之后，在 QDA 的帮助下确定肿瘤轮廓（边缘）。MRI 系列的初始轮廓将从这些提取的边缘得出。最后一步是使用水平集分割技术在所有体积段中隔离肿瘤区域。当应用于 BraTS 2019 数据集中的 3D-MRI 图像时，所提出的技术优于最先进的脑肿瘤分割方法，如所获得的结果所示。
一种用于自动挤奶系统中自动检测奶牛社交互动的计算机视觉方法
欧洲兽医培训协调委员会 (ECCTV) 专家工作组建议在兽医实践中使用数字技术和人工智能 (DT&AI) [1]。特别是，ECCTV 工作组指出了将 DT&AI 融入兽医实践以改善畜群健康管理 (HHM) 的重要性，包括预防、可持续生产、性能和农场动物的繁殖。这些建议主要适用于养牛业，该行业需要新的智能方法，例如使用新技术和新方法进行数据分析。机器学习 (ML) 和人工智能 (AI) 等新兴领域有望在应对养牛业面临的新挑战方面发挥重要作用 [2]。
在低成本眼动追踪装置中使用前庭眼反射自动检测瞳孔并估计凝视
摘要 — 自动眼动追踪对于与患有肌萎缩侧索硬化症的人互动、用眼睛控制电脑鼠标以及对葡萄膜黑色素瘤进行控制性放射治疗都具有重要意义。据推测，凝视估计的准确性可能通过使用前庭眼动反射来提高。这种不自主的反射会导致缓慢的补偿性眼动，与头部运动的方向相反。因此，我们假设在眼动追踪过程中让头部自由移动一定比保持头部固定、只让眼睛移动产生更准确的结果。本研究的目的是创建一个低成本的眼动追踪系统，通过保持头部自由移动，将前庭眼动反射纳入凝视估计中。所用的仪器包括一个低成本的头戴式网络摄像头，可记录一只眼睛。尽管用于记录的网络摄像头是低端的，并且没有直接照明，但瞳孔检测是完全自动和实时的，采用了简单的基于颜色和基于模型的混合算法。本研究测试了基于模型的算法和基于插值的算法。根据凝视估计结果中的平均绝对角度差，我们得出结论，基于模型的算法在头部不动时表现更好，而在头部移动时同样表现良好。当头部自由移动时，使用任一算法，凝视点与目标点的大多数偏差小于 1 ◦，可以得出结论，我们的设置完全符合文献中的 2 ◦ 基准，而头部不动时的偏差超过 2 ◦。所使用的算法之前未在被动照明下进行测试。这是首次研究考虑到前庭眼反射的低成本眼动追踪装置。