XiaoMi-AI文件搜索系统
World File Search System表面网格
Alpha Mesh Swc：根据脑细胞骨架描述自动生成稳健的表面网格
图 1：(a) SWC 文件的说明性示例（不是真实细胞）。从左到右，各列分别表示节点索引、神经元区室类型、x、y、z 坐标、半径和父节点索引。例如，第二个节点表示位于 [0, 0, 8] 处半径为 2 µm 的顶端树突（类型 4）部分。它连接到其父节点（第一个节点）。如果父索引为 -1，则当前节点为根节点。(b) (a) 中 SWC 文件定义的神经元骨架的可视化表示。红色 ⊗ 符号表示体细胞节点，神经突节点用红色 + 表示。长度为 l 1 , . . . , l 4 的蓝线绘制了神经元骨架。虚线以 3D 形式说明了神经元的形态。(c) 可用于连接两个连续节点的圆锥
LS-DYNA 用户定义内弹道建模
FEA 网格中的推进剂。在每个 LS-DYNA 时间步骤中，CADPROG 使用从 LS-DYNA 模拟反馈的运动数据（冲程、速度、腔室容积）进行分析运行。然后将计算出的压力以交互方式应用于活塞或 LS-DYNA 模型中的任何适用表面网格。
从...
引言患者特定的心脏建模结合了源自医学图像和生物物理模拟的心脏的几何形状，以模拟心脏功能的各个方面。它可以非侵入性地提供有用的生理信息，以促进对个别患者的心脏疾病的理解，诊断和治疗计划[1]。但是，从患者图像数据中生成拟合心脏的模拟网格通常需要复杂的程序和大量的人类努力，从而限制了临床翻译。因此，我们有动力开发快速自动化的方法，从医学图像中构建心脏的模拟网格。深度学习方法可以从现有数据训练神经网络，以自动处理医疗图像并产生全心重建。虽然大多数先前的深度学习方法都集中在图像分割上，但我们最近的方法直接从患者图像数据中直接重建表面网格[2-3]。通过变形表面网格模板，我们以前的方法消除了中间分割步骤，该步骤有时会引入含有拓扑异常的外部区域，这些区域是无形的，无法用于基于模拟的分析[2]。我们还将自由形式变形（FFD）与深度学习结合在一起，以预测控制点网格的位移，以变形包含模拟的整个心脏模板的空间，从而可以直接重建来自图像数据的模拟现象[3]。但是，由于FFD对复杂形状变形的能力有限，因此我们先前的方法需要一个密集的控制点网格，包括成千上万的控制点，以实现可接受的整个心脏重建精度[3]。在这里，我们提出了一种新的深度学习方法，该方法利用Biharmonic坐标来变形整个心脏模板，以更高的精度和更少的控制点拟合目标图像数据。我们还引入了一些有效的学习偏见作为目标功能，以产生能够更好地满足心脏流量计算模拟的建模要求的网格。
对未注册表面空间的限制弹性形状分析
本文引入了一个新的框架，用于表面分析，该框架源自形状空间上的弹性Riemannian指标的一般设置。传统上，这些指标是在沉浸式表面的无限尺寸流形上定义的，并满足特定的不变特性，从而可以比较表面模型形状保存变换，例如重新构度。我们方法的特异性是将允许转换的空间限制为变形场的预定义有限尺寸基础。这些以数据驱动方式估算，以模拟特定类型的表面变换。这使我们可以简化对相应形状空间的代表到有限的尺寸潜在空间。然而，与涉及涉及的方法形成鲜明对比。网状自动编码器，潜在空间配备了从弹性指标家族继承的非欧国人Riemannian指标。我们演示了如何有效地实现该模型以在表面网格上执行各种任务，这些任务不假定这些模型已预先注册，甚至没有一致的网格结构。我们专门验证了我们对人体形状和姿势数据的方法以及人的面部和手部扫描，例如形状注册，插值，运动转移或随机姿势产生等问题。
基于 OpenFOAM 的 3D 欧拉/拉格朗日飞机结冰模拟求解器的开发
摘要：在开源 CFD 工具箱 OpenFOAM 中开发了 3D 结冰模拟代码。采用混合笛卡尔/贴体网格划分方法来生成复杂冰形周围的高质量网格。求解稳态 3D 雷诺平均纳维-斯托克斯 (RANS) 方程以提供绕翼的集合平均流动。考虑到液滴尺寸分布的多尺度特性，更重要的是为了表示过冷大液滴 (SLD) 不太均匀的特性，实现了两种液滴跟踪方法：为了提高效率，采用欧拉方法跟踪小尺寸液滴（50 µ m 以下）；采用随机采样的拉格朗日方法跟踪大液滴（50 µ m 以上）；在虚拟表面网格上求解表面溢流的传热；通过 Myers 模型估计冰积聚；最后，通过时间推进预测最终的冰形。由于实验数据有限，分别使用欧拉法和拉格朗日法对二维几何的三维模拟进行验证。事实证明，该代码在预测冰形方面是可行的，并且足够准确。最后，给出了 M6 机翼的结冰模拟结果，以说明完整的三维功能。
实现精细功能 MRI 的关键因素
图 4 表面网格细化对减少缺失体素数量的影响。（a）体积到表面投影示意图。方块表示体积空间中的体素。黄色方块表示分配给网格顶点的体素。灰色方块表示由于顶点间距粗而未投影到任何网格顶点上的缺失体素。三角形表示表面网格的面。蓝点表示原始表面中的顶点。紫点表示通过表面细化添加的顶点。随着在细化过程中将顶点添加到表面，更多的体素被分配给顶点，从而减少了缺失体素的数量。（b）使用原始表面时缺失的体素，这些体素是通过增加表面细化的迭代次数而捕获的。放大的视图显示了距状沟内的示例表面（黑色轮廓）。颜色表示唯一体素索引。随着表面网格的细化，表面投影中包含了更多唯一体素。 （c）随着表面网格逐渐细化，独特 fMRI 体素的数量。随着每次细化迭代，包含的独特体素数量稳步增加，在四次细化迭代后出现稳定状态。虚线表示每个受试者（N = 3）的值；条形图显示受试者的平均值
自闭症谱系障碍Leyhausen，J。的内在灰质连通性及其基因组基础的差异； Schaefer，T。； Gurr，c。; b
抽象背景：自闭症是一种异质性神经发育状况，伴随着大脑连通性的差异。自闭症中的结构连通性主要在白质中进行了研究。然而，许多与自闭症相关的遗传变异突出了与突触发生和轴突引导有关的基因，因此也暗示了自闭症中固有（即灰质）连接的差异。可以通过所谓的内在全球和本地布线成本在体内评估内在连接。方法：在这里，我们检查了359名自闭症患者的大脑内部全球和本地布线成本，以及279名健康对照参与者，年龄在欧盟AIMS LEAP（纵向欧洲自闭症项目）的6至30岁之间。freeSurfer用于得出表面网格表示，以计算灰质内大脑所需的估计连接长度。certexwise的组间差异。进行了基于艾伦人脑图集的基因表达解码分析，以将神经解剖学差异与推定的基础联系起来。结果：全球和局部接线成本的群体差异主要是在内侧和侧额前脑区域，下颞区和左颞叶脑交界处观察到的。所产生的神经解剖模式富含以前与遗传和转录组水平上自闭症病因的基因。结论：基于固有的灰质连通性，当前的研究研究了自闭症的复杂神经解剖结构，并将小组间差异与推定的基因组和/或分子机制联系起来，以解析自闭症的异质性，并为未来的亚组方法提供了靶标。
在3D和4D的生成模型中的PHD位置（3D+T ... - AFIG
开始日期：尽快主管：穆罕默德·道迪（Mohamed Daoudi）（IMT北欧欧洲），SylvainArguillère（CNRS/UNIV。里尔）与马丁·鲍尔（Martin Bauer）（美国佛罗里达州立大学）和尼古拉斯·夏隆（Nicolas Charon）（美国休斯顿大学）合作。要填写填写表格：https：//docs.google.com/forms/d/e/1faipqlscb93qqvatvdsyskfuihwklpr13p4imcb wgcoi27U4SZQCCANA/view form？4D Shape项目将于2024年11月和过去3年开始。它涉及来自法国和美国的4个合作伙伴。目标3D/4D人类形状，生成模型，表面的几何形状。近年来，人们对分析和产生3D人类（身体和面部）的形状和运动的兴趣增加。3D人类形状估计算法，3D扫描技术，硬件加速3D图形和相关工具的进步正在使大规模3D人类形状数据访问。此数据通常以3D表面网格的形式出现，通常，这些表面网格与连贯的离散化相对应，即，相同的表面可以由许多不同的三角形网格表示，连通性不同，并且数量不同。因此，当应用于此类真实数据时，专为参数化表面的3D/4D形状分析而设计的方法将面临严重的限制。拟议研究的中心假设是几何方法和深度学习技术的结合将导致这些具有挑战性的问题在理论和定量绩效突破。该项目的目的是识别，开发和完善自然框架，在该框架中，可以既可以嵌入和生成人体的表面，又可以独立于参数化/离散的方式，包括原始扫描，以捕获和复制主体的身份及其能够产生的自然运动。它将提供理论和实用的新工具，不仅用于比较3D/4D表面，而且还可以定义新颖的变形过程，以使其运动和/或更改其身份，而与输入数据的参数化方式无关。在我们的框架中包括4D数据，我们希望结果将为包括虚拟现实，AR/VR内容创建，游戏和情感计算在内的多个应用程序打开新的视野。国际合作该项目是由ANR和NSF资助的国际项目。项目4DShape参与的小组已在顶级期刊和
使用网格投影仪
X射线成像是一种众所周知的技术，用于对物体的非破坏性成像和表征。基于X射线放射图，可以获得对象的形状，密度和原子数的信息。这些功能使X射线成像高度适用于非破坏性分析和测试。A key technique in non-destructive radiography-based analysis is material de- composition, whose aim is to determine the materials composition of an object.在医学成像中，可以应用材料分解以区分良性和恶性肿瘤[2]。在货物检查中，可以将材料分解构成以识别农产品中的走私商品或杂质[3]。Two main techniques for material decomposition have been described in the literature: Dual Energy Material Decomposition (DEMD) and Single Energy Material Decomposition (SEMD).DEMD利用材料衰减系数的能量依赖性。The linear attenuation coefficient as a function of the energy can be modeled as a linear combination of basis functions, such as those describing the energy dependency of the photoelectric interaction and total cross-section of the Compton scattering.另一种方法是选择依赖能量的基本材料（例如骨和水）作为基础函数[4]。[5]。此技术使衰减中的差异在常规重建中是看不见的。另一种方法是获取物体的高和低能量X光片，从而产生具有独特投影值的X光片[6]。然后，使用查找表将投影值链接到路径长度。基于此信息，可以获得材料厚度。减少暴露需要改编硬件，例如双源单元或光子计数检测器[4]。此外，由于DEMD需要进行两次扫描，因此对物体的辐射暴露可能是一个问题，尤其是在医学成像中[4]。此外，查找表的创建可能很耗时[6]或不准确[7]。单能投影（SEMD）另一方面，通过使用远程长度的知识来估算仅一次扫描的材料组成。这些路径长度可以从CT重建[6]或从3D激光扫描仪获得的对象的表面图像估算[8]。最近，显示路径长度也可以通过将对象的表面网格注册到其扫描的投影中直接从几个X射线投影中恢复[9]。此方法不需要除X射线扫描仪或完整CT扫描以外的其他硬件，它提供了将其集成到材料分解过程中的潜力。我们提出的方法估计了用X射线光扫描的物体的均匀混合物的化学质量分数。CAD-ASTRA工具箱用于计算路径长度和模拟多色X射线射线照相。
如何评估体积传导模型的准确性？立体定向EEG数据的验证研究
Volume conduction models of the head are widely used for source reconstruction of electro- (EEG) and magnetoencephalography (MEG) activity ( Malmivuo and Plonsey, 1995 ; Nunez and Srinivasan, 2006 ; Hansen et al., 2010 ), and are used to understand and optimize the effects of electrical ( Neuling et al., 2012 ; Rampersad et al., 2014 )和磁性脑刺激（Janssen等，2013），用经颅电气，深脑和磁刺激（TES，DBS和TMS）颅内和颅外应用。尽管有许多模型研究可以通过比较不同的模拟模型来量化电势数值的准确性（在EEG情况下）和磁场（在MEG情况下）（在MEG情况下），但研究了较少的研究研究，研究了人类和模拟的Elliss and ush and droissells and and and and and and and and and and eSte and and and and and and and and and and and and and and and and and and and。 Al。，2017）。体积传导模型的几何，电和数值方面是固有的。例如，BEM假设几何形状由具有同质和各向同性的电导率的嵌套隔室组成，从而导致对三角形的表面网格之间的边界进行几何描述，其中大多数BEM的实现都需要触摸或相交的情况，并且在deSect and triangles不得不触摸或相互交织。另一个例子是白质传导率的假设是各向异性，它将数值方法的选择限制为FEM或FDM。涉及计算机模拟的验证研究中经常采用的策略是将重点放在其中一个或两个因素上，并保持其余方面固定。先前的工作表明，由体积传导模型产生的潜在的准确性取决于许多因素，例如模型的几何代表（Vorwerk等，2014），不同组织的电导率（Oostendorp等，2000，2000; Aydin等，2014; Aydin et al。，2014年），Sensers nermane alser（Cuplmane alser），Etermane et ner ner ner ner ner ner ner ner ner ner ner。 2020a），来源的表示[例如，偶极子（De Munck等，1988）或双梁（Vermaas等，2020b）]，以及用于解决数学问题的方法[例如，具有分析公式（De Munck and Peters，De Munck and Peters，1993; Zhang，1995; Zhang; Mosher et efiment; Mosher等人，2001年; Oostenveld和Oostendorp，2002年； Akalin-Acar和Gençer，2004元素方法（Marin等，1998; Schimpf等，2002; Miinalainen等，2019）]。通过在模型中包括高分辨率的解剖学细节，例如CSF，紧凑型和海绵状的骨骼部分，颅骨，血管或dura的骨骼部分需要高分辨率，需要在模型中进行高分辨率，以便在模型中具有足够的地理位置，以使其具有足够的详细信息， 是在模型中包括高分辨率的解剖学细节，例如CSF，紧凑型和海绵状的骨骼部分，以使其具有足够的地理位置的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息， 进行了特定的联系。 ; Piastra等人，2018年）。 在Nüßing等人中。 （2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。 Piastra等人。 vorwerk是在模型中包括高分辨率的解剖学细节，例如CSF，紧凑型和海绵状的骨骼部分，以使其具有足够的地理位置的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息， 进行了特定的联系。 ; Piastra等人，2018年）。 在Nüßing等人中。 （2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。 Piastra等人。 vorwerk是在模型中包括高分辨率的解剖学细节，例如CSF，紧凑型和海绵状的骨骼部分，以使其具有足够的地理位置的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息，以使其具有足够的详细信息， 进行了特定的联系。 ; Piastra等人，2018年）。 在Nüßing等人中。 （2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。 Piastra等人。 vorwerk进行了特定的联系。 ; Piastra等人，2018年）。 在Nüßing等人中。 （2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。 Piastra等人。 vorwerk进行了特定的联系。 ; Piastra等人，2018年）。在Nüßing等人中。 （2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。 Piastra等人。 vorwerk在Nüßing等人中。（2016），例如，头部模型的几何形状保持恒定，并且解决了正向问题的数学方法。Piastra等人。vorwerk（2018），更改了数值方法和源模型，而几何形状保持恒定。