XiaoMi-AI文件搜索系统
World File Search System轨迹
项目标题：用于预测MRI脑扫描脑膜瘤增长的数字双轨迹的机器学习工具
该项目的目的是开发一种机器学习工具，该工具生成数字双轨迹，以用于脑MRI扫描中的脑膜瘤增长。通过利用深度学习，该工具将创建特定于患者的模型（数字双胞胎），以根据历史MRI数据来预测脑膜瘤的未来增长。该工具将支持临床医生预测肿瘤大小和形状的变化，从而实现脑膜瘤患者的主动，个性化的管理。特别是该模型可以为临床医生提供一种预测工具，可增强决策，从而及时进行干预和优化的监视。此外，这种方法可以为数字双胞胎应用奠定基础，以跟踪其他类型的肿瘤，从而扩大其在肿瘤学诊断中的影响。项目描述脑膜瘤是最常见的原发性脑肿瘤，起源于脑膜，脑周围的保护层和脊髓。尽管通常是良性的，但脑膜瘤表现出不同的增长率和行为。有些人多年来保持懒惰，而另一些人则迅速发展，可能导致严重的神经系统缺陷，例如癫痫发作，视力丧失和认知障碍，这是由于对周围脑结构的质量影响而导致的。因此，了解和预测其增长轨迹对于及时干预和有效管理至关重要。目前，监测脑膜瘤在很大程度上依赖于常规的MRI扫描，以评估大小和形态的变化。因此，仅靠基于间隔的成像的依赖可能会延迟关键干预措施，从而强调需要更先进的预测工具。但是，这种常规方法是有限的，因为它仅提供了肿瘤进展的回顾性观点，从而限制了主动的临床决策。MRI扫描可能会揭示肿瘤的当前状态，但它们缺乏预测未来生长模式或生长突然加速的预测能力，可能会影响患者的预后。为了解决这些局限性，该项目提出了针对脑膜瘤增长预测而定制的基于机器学习的数字双胞胎模型的开发。数字双胞胎是一个动态的计算模型，它不断响应实时数据，有效地反映了生物实体的不断发展的特征。对于脑膜瘤，创建数字双胞胎需要使用历史MRI数据和特定于患者的临床特征来训练一个可以模拟个性化肿瘤生长轨迹的深度学习模型。
使用生成对抗网络的生成合成飞机着陆轨迹
摘要 - 空中交通管理（ATM）系统的需求增加和复杂性需要在自动化方面取得重大进步，以确保安全和效率。人工知识（AI）和机器学习（ML）正在成为管理这种日益复杂性的有希望的解决方案，提供了增强的决策和预测能力。但是，ML模型在ATM中的有效性在很大程度上依赖于广泛的高质量数据的可用性。在许多情况下，此类数据是稀缺或不完整的，这为训练强大的模型带来了主要障碍。合成数据生成（SDG）是解决此问题的可行解决方案，从而可以创建解锁ML值求主的现实数据集。终端操纵区域（TMA）是空域的关键部分，其特征是交通密度高和轨迹类型，需要颗粒状数据才能准确地对这些情况进行建模。这项工作的主要研究目标是调查时机在产生合成的4维飞机着陆轨迹方面的适用性，能够捕获该空域中的交通模式，从而有助于分析空域约束并延迟传播。根据数据多样性，保真度和实用性评估了所得的合成轨迹。研究期间确定的主要挑战是数据类别的不平衡，这影响了模型准确捕获数据模式的能力，尤其是在较不频繁的情况下。这项工作证明了时刻在产生多种现实的轨迹方面的能力，这些轨迹难以与实际历史数据区分开。基于单独的分组生成合成数据显示了解决这些不平衡的希望，尽管这种方法对组的名称敏感。关键字 - 空气流量管理，深层生成模型，生成对抗网络，多元时间序列序列，合成数据质量评估
电子束金属增材制造中空间微结构控制的轨迹优化
摘要 — 金属增材制造 (AM) 为空间控制制造后的微观结构和性能提供了可能性。然而，由于驱动微观结构结果的固态扩散转变在温度方面由非线性 ODE 控制，而温度本身又由整个零件域上的 PDE 控制，因此求解实现所需微观结构分布所需的系统输入已被证明是困难的。在这项工作中，我们提出了一种用于金属 AM 中微观结构空间控制的轨迹优化方法，我们通过控制电子束粉末床熔合 (EB-PBF) 中低合金钢的硬度来证明这一点。为此，我们提出了热和微观结构动力学模型。接下来，我们使用实验数据来识别微观结构转变动力学的参数。然后，我们将空间微观结构控制作为有限时域最优控制问题。使用具有 GPU 加速的增强拉格朗日微分动态规划 (AL-DDP) 方法计算最佳功率场轨迹。然后通过近似方案在 EB-PBF 机器上实现所产生的随时间变化的功率场。对所得硬度的测量表明，优化的功率场轨迹能够紧密产生所需的硬度分布。
研究信|糖尿病和内分泌血管舒缩症状轨迹和事件糖尿病的风险
博士，2011年至2021年； Maryfran Sowers博士，1994- 2011年（密歇根大学，安阿伯大学）； Sherri-Ann Burnett- Bowie，医学博士，MPH，2020年；乔尔·芬克斯坦（Joel Finkelstein），医学博士，1999年至2020年；罗伯特·内尔（Robert Neer），医学博士，1994年至1999年（马萨诸塞州综合医院，波士顿）； Imke Janssen，博士，2020年出席；霍华德·克拉维兹（Howard Kravitz），DO，MPH，2009年至2020年；琳达·鲍威尔（Lynda Powell），博士，1994年至2009年（伊利诺伊州芝加哥拉什大学医学中心）；医学博士Elaine Waetjen和2020年的Monique Hedderson博士； Ellen Gold，PhD，1994年至2020年（加利福尼亚大学，戴维斯大学/凯撒分校）；医学博士Arun Karlamangla，2020年；盖尔·格林代尔（Gail Greendale），医学博士，1994年至2020年（加利福尼亚大学，洛杉矶）；卡罗尔·德比（Carol Derby），博士，2011年； Rachel Wildman博士，MPH，2010年至2011年； Nanette Santoro，医学博士，2004年至2010年（纽约布朗克斯的阿尔伯特·爱因斯坦医学院）；医学博士Gerson Weiss，1994年至2004年（纽瓦克新泽西医学院医学与牙科大学）；丽贝卡·瑟斯顿（Rebecca Thurston）博士，2020年出席；和Karen Matthews博士，1994年至2020年（宾夕法尼亚州匹兹堡大学）。 在NIH计划办公室：罗马森·科雷亚·德·阿拉乌霍，医学博士，2020年； Chhanda Dutta博士，2016年出席； Winifred Rossi，马萨诸塞州，2012年至2016年； Sherry Sherman博士，1994年至2012年； Marcia Ory，博士，1994年至2001年（NIA和NINR，马里兰州贝塞斯达：计划官员）。 在中央实验室：丹尼尔·麦康奈尔（Daniel McConnell），博士学位（密歇根大学，安阿伯，中央配体分析卫星服务）。 在协调中心：玛丽亚·莫里·布鲁克斯（Maria Mori Brooks），博士，2012年； Kim Sutton-Tyrrell博士，2001年至2012年（宾夕法尼亚州匹兹堡大学）； Sonja McKinlay博士，1995年至2001年（新英格兰研究机构，沃特敦，马萨诸塞州）。博士，2011年至2021年； Maryfran Sowers博士，1994- 2011年（密歇根大学，安阿伯大学）； Sherri-Ann Burnett- Bowie，医学博士，MPH，2020年；乔尔·芬克斯坦（Joel Finkelstein），医学博士，1999年至2020年；罗伯特·内尔（Robert Neer），医学博士，1994年至1999年（马萨诸塞州综合医院，波士顿）； Imke Janssen，博士，2020年出席；霍华德·克拉维兹（Howard Kravitz），DO，MPH，2009年至2020年；琳达·鲍威尔（Lynda Powell），博士，1994年至2009年（伊利诺伊州芝加哥拉什大学医学中心）；医学博士Elaine Waetjen和2020年的Monique Hedderson博士； Ellen Gold，PhD，1994年至2020年（加利福尼亚大学，戴维斯大学/凯撒分校）；医学博士Arun Karlamangla，2020年；盖尔·格林代尔（Gail Greendale），医学博士，1994年至2020年（加利福尼亚大学，洛杉矶）；卡罗尔·德比（Carol Derby），博士，2011年； Rachel Wildman博士，MPH，2010年至2011年； Nanette Santoro，医学博士，2004年至2010年（纽约布朗克斯的阿尔伯特·爱因斯坦医学院）；医学博士Gerson Weiss，1994年至2004年（纽瓦克新泽西医学院医学与牙科大学）；丽贝卡·瑟斯顿（Rebecca Thurston）博士，2020年出席；和Karen Matthews博士，1994年至2020年（宾夕法尼亚州匹兹堡大学）。在NIH计划办公室：罗马森·科雷亚·德·阿拉乌霍，医学博士，2020年； Chhanda Dutta博士，2016年出席； Winifred Rossi，马萨诸塞州，2012年至2016年； Sherry Sherman博士，1994年至2012年； Marcia Ory，博士，1994年至2001年（NIA和NINR，马里兰州贝塞斯达：计划官员）。在中央实验室：丹尼尔·麦康奈尔（Daniel McConnell），博士学位（密歇根大学，安阿伯，中央配体分析卫星服务）。在协调中心：玛丽亚·莫里·布鲁克斯（Maria Mori Brooks），博士，2012年； Kim Sutton-Tyrrell博士，2001年至2012年（宾夕法尼亚州匹兹堡大学）； Sonja McKinlay博士，1995年至2001年（新英格兰研究机构，沃特敦，马萨诸塞州）。指导委员会：马里兰州苏珊·约翰逊（爱荷华州爱荷华大学），现任主席；马里兰州的克里斯·加拉格尔（Chris Gallagher）（内布拉斯加州奥马哈市克雷顿大学），前主席。
使用frenet坐标的轨迹跟踪与深...
摘要 - 本文研究DDPG算法在轨迹跟踪任务中的应用，并提出了一种与FRENET坐标系相结合的轨迹跟踪控制方法。通过将车辆的位置和速度信息从笛卡尔坐标系转换为FRENET坐标系，该方法可以更准确地描述车辆的偏差和旅行距离，相对于道路的中心线。DDPG算法采用了参与者 - 批评框架，使用深层神经网络进行策略和价值评估，并将体验重播机制和目标网络结合在一起，以提高算法的稳定性和数据利用效率。实验结果表明，基于FRENET坐标系的DDPG算法在复杂环境中的轨迹跟踪任务中表现良好，可实现高精度和稳定的路径跟踪，并证明其在自主驾驶和智能运输系统中的应用潜力。
临床前评估跨桥式内轨迹轨迹，以增强帕金森氏病中移植细胞的分布
目的本研究的目的是开发和评估一种新型的跨性手术方法的可行性和安全性，用于将人类诱导的多发性干细胞衍生的多巴胺能神经蛋白酶神经蛋白酶细胞（DANPC）传递到使用非人类灵长类动物和手术技术和工具与人类临床临床翻译相关的核核核中。方法在实时插入性MRI指南下，九种免疫抑制，未经剂量的成年cynomolgus猕猴（4名女性，5名男性）接受了对媒介物或DANPCS的内部注射（0.9×10 5至1.1×10 5细胞/ µ L）。将注射液与1毫米Gadoteridol（用于术中MRI可视化）结合，并通过瞬时方法通过每个半球（腹侧和背侧）通过两个轨道进行交付。分别为左右壳核（输注速率2.5 µl/min）的输注总量分别为25 µL和50 µL。动物，并对7或30天进行安乐死；完整的尸检由董事会认证的兽医病理学家进行。脑组织并处理以进行免疫组织化学，包括针对人类特异性标记的STEM121。结果通过瞬态方法，优化的手术技术和工具成功地靶向了壳核。术中MR图像证实了所有动物的靶标内注射。所有动物都存活到预定的终止，而没有神经系统缺陷的临床证据。结论所有动物的输送系统，注射程序和DANPC均得到很好的耐受性。手术结束时注意到手术的前4只动物的大脑肿胀温和，其中3只瞬时视力降低。在手术过程中，甘露醇疗法给药并减少了静脉液，解决了这些并发症。针对STEM121的免疫染色证实了沿着DANPC治疗的动物靶向壳区域内的注射轨道存在移植细胞。所有不良组织学发现在范围上受到限制，并且与外科手术操作，伤害手术以及对套管插入引起的机械破坏的后炎症反应一致。通过甘露醇给药和静脉液体减少在手术过程中预防轻度脑肿胀，可以避免视觉效果。研究结果表明，这种新型的跨轴方法可用于正确，安全地将细胞注射到后交流盘并支持临床研究中。
覆盖作物根渗出量影响土壤微生物组功能轨迹
覆盖种植是一种农业实践，它利用二级作物通过各种机制来支持原发性作物的生长，包括侵蚀，抑制杂草，营养管理和增强的生物多样性。覆盖作物可能通过与土壤微生物组的化学相互作用通过根渗出或从根中释放植物代谢物，从而引起这些生态系统的某些服务。植物激素是一种激活根际微生物组的植物散发的代谢物类型，但是管理这种化学相互作用仍然是一种未开发的机制，用于优化植物土壤微生物组相互作用。目前，对覆盖作物植物激素根渗出模式的多样性以及这些化学信息如何选择性地丰富特定的微生物分类群和农业土壤中功能的多样性的了解有限。
使用量子储层计算中移动无线网络中的用户轨迹预测
摘要本文采用量子机学习技术来通过使用一种称为量子储层计算（QRC）的方法来预测移动用户在移动无线网络中的传播。移动用户的轨迹预测属于时间信息处理的任务，这是一个移动性管理问题，对于自我组织和自主6G网络至关重要。我们的目标是使用QRC准确预测无线网络中移动用户的未来位置。为此，作者使用真正的世界时间序列数据集来建模移动用户的轨迹。QRC方法具有两个组件：储层计算（RC）和量子计算（QC）。在RC中，训练比简单复发性神经网络的训练更有效，因为在RC中，只有输出层的权重才能训练。RC的内部部分是所谓的储层。为了使RC表现良好，应仔细选择储层的权重以创建高度复杂和非线性动力学。QC用于创建这种动态储层，该储层将输入时间序列映射到由动态状态组成的较高维度计算空间中。获得高维动力状态后，进行简单的线性回归以训练输出权重，因此，可以有效地对移动用户轨迹的预测进行有效形成。在这项研究中，我们根据量子系统的哈密顿时间演变采用QRC方法。作者使用基于IBM Gate的量子计算机模拟了时间演变，并且在实验结果中，它们表明，使用QRC仅使用少数量子器来预测移动用户的轨迹是有效的，并且可以超过经典方法，例如长期短期内存方法和echo -echo state网络接近。