XiaoMi-AI文件搜索系统
World File Search System进行
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
使用扩散模型在潜在空间中进行图像修复
使用扩散模型进行图像修复通常使用预条件模型（即针对绘画任务进行微调的图像条件模型）或后条件模型（即在推理时重新用于绘画任务的非条件模型）。预条件模型在推理时很快，但训练成本极高。后条件模型不需要任何训练，但在推理过程中很慢，需要多次前向和后向传递才能收敛到理想的解决方案。在这里，我们推导出一种不需要昂贵训练但推理速度很快的方法。为了解决昂贵的推理计算时间，我们在潜在空间而不是图像空间上执行前向-后向融合步骤。这是通过扩散过程中新提出的传播模块解决的。在多个领域进行的实验表明，我们的方法达到或改善了状态
使用量子置换垫在 IBMQ 系统中进行量子加密和解密
Maria Perepechaenko 和 Randy Kuang Quantropi Inc.，加拿大渥太华 电子邮件：maria.perepechaenko@quantropi.com；randy.kuang@quantropi.com 摘要 — 我们介绍了 Kuang 等人的量子排列垫 (QPP) 的功能实现，使用目前可用的国际商业机器 (IBM) 量子计算机上的 Qiskit 开发套件。对于此实现，我们使用一个带有 28 个 2 量子比特排列门的垫，可提供 128 位熵。在此实现中，我们将明文分成每块 2 位的块。每个这样的块一次加密一个。对于任何给定的明文块，都会创建一个量子电路，其中的量子位根据给定的明文 2 位块初始化。然后使用从 28 排列 QPP 垫中选择的 2 量子比特排列运算符对明文量子位进行操作。由于无法直接发送量子比特，因此密文量子比特通过经典信道进行测量并传输到解密方。解密可以在经典计算机或量子计算机上进行。解密使用逆量子置换垫和用于加密的相应置换门的 Hermitian 共轭。我们目前正在推进 QPP 的实施，以包括额外的安全性和效率步骤。索引术语 — 量子通信、量子加密、量子解密、量子安全、安全通信、QPP、Qiskit、国际商业机器量子 (IBMQ)
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
发件人：海军记录修正委员会主席 收件人：海军部长 主题：审查美国海军 XXX-XX- 的海军记录 参考：（a）第 10 章 USC § 1552（b）DoD 7000.14-R FMR 第 7A 卷，第 1 章 附件：（1）DD 表格 149 及附件（2）当事人的海军记录 1. 根据参考（a）的规定，当事人（以下称为申请人）向海军记录修正委员会（委员会）提交了附件（1），要求更正她的海军记录，以显示申请人的薪资入职基准日期（PEBD）已调整为包括她在加入美国海军之前在陆军国民警卫队服役的可记名服役期。 2. 委员会由 、 和 组成，于 2023 年 1 月 5 日审查了请愿人的错误和不公正指控，并根据其规定，决定根据现有的记录证据采取以下纠正措施。委员会审议的文件材料包括附件、请愿人海军记录的相关部分以及适用的法规、条例和政策。 3. 委员会审查了与请愿人的错误和不公正指控有关的所有记录事实，发现如下：a. 2016 年 11 月 9 日，申请人加入国民警卫队，服役 8 年，服役期限为 2024 年 11 月 8 日。根据军事处理记录 - 美国武装部队（DD 表格 1966/1），申请人的退役日期为 2016 年 11 月 9 日。2019 年 1 月 18 日，申请人收到国民警卫队退役报告和服役记录（NGB 表格 22），入伍日期为 2016 年 11 月 9 日。此外，带薪服役总时间为 2 年 2 个月 10 天。申请人的预备役/军事服役义务终止日期被列为不适用。b. 2019 年 4 月 30 日，申请人加入海军预备役 8 年。根据 DD 表格 1966，请愿人的 PEBD 列为 2019 年 12 月 4 日，请愿人进行了以下记录：“我于 2016 年 11 月加入陆军国民警卫队。我于 2019 年 1 月退役。” 2019 年 12 月 4 日，请愿人开始服现役 4 年，现役义务服役结束 (EAOS) 为 2023 年 12 月 3 日，现役义务服役软结束 (SEAOS) 为 2024 年 12 月 3 日。
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
利用神经速度场进行微分同胚图像配准
微分同胚图像配准能够提供平滑的变换和拓扑保存，在许多医学图像分析任务中是必需的。传统方法对可接受的变换空间施加某些建模约束，并使用优化来寻找两幅图像之间的最佳变换。指定正确的可接受的变换空间具有挑战性：如果空间过于严格，配准质量可能会很差，而如果空间过于笼统，则优化可能难以解决。最近基于学习的方法利用深度神经网络直接学习变换，实现了快速推理，但由于难以捕捉微小的局部变形和泛化能力，在准确性方面面临挑战。在这里，我们提出了一种新的基于优化的方法，称为 DNVF（带神经速度场的微分同胚图像配准），该方法利用深度神经网络来建模可接受的变换空间。具有正弦激活函数的多层感知器 (MLP) 用于表示连续速度场，并为空间中的每个点分配一个速度矢量，从而提供对复杂变形进行建模的灵活性以及优化的便利性。此外，我们提出了一种级联图像配准框架 (Cas-DNVF)，结合了优化和基于学习的方法的优点，其中训练完全卷积神经网络 (FCN) 来预测初始变形，然后使用 DNVF 进行进一步细化。在两个大型 3D MR 脑部扫描数据集上进行的实验表明，我们提出的方法明显优于最先进的配准方法。
Longformer：利用结构 MRI 对阿尔茨海默病进行分类的纵向转换器
结构磁共振成像 (sMRI)，尤其是纵向 sMRI，通常用于在阿尔茨海默病 (AD) 临床诊断期间监测和捕捉病情进展。然而，目前的方法忽视了 AD 的渐进性，大多依赖单一图像来识别 AD。在本文中，我们考虑利用受试者的纵向 MRI 进行 AD 分类的问题。为了解决学习纵向 3D MRI 时缺失数据、数据需求和随时间发生的细微变化等挑战，我们提出了一个新模型 LongFormer，它是一种混合 3D CNN 和变压器设计，可从图像和纵向流对中学习。我们的模型可以充分利用数据集中的所有图像，并有效地融合时空特征进行分类。我们在三个数据集（即 ADNI、OASIS 和 AIBL）上评估我们的模型，并将其与八种基线算法进行比较。我们提出的 LongFormer 在对来自所有三个公共数据集的 AD 和 NC 对象进行分类方面取得了最先进的性能。我们的源代码可从 https://github.com/Qybc/LongFormer 在线获取。
运用辩论动态进行知识图谱推理
我们提出了一种基于辩论动态的知识图谱自动推理新方法。其主要思想是将三重分类任务构建为两个强化学习代理之间的辩论游戏，它们提取论据（知识图谱中的路径），目标是分别促使事实为真（论点）或事实为假（反论点）。基于这些论据，一个称为评判者的二元分类器决定事实是真是假。这两个代理可被视为稀疏的对抗性特征生成器，为论点或反论点提供可解释的证据。与其他黑箱方法相比，这些论据让用户能够了解评判者的决定。由于这项工作的重点是创建一种可解释的方法以保持具有竞争力的预测准确率，因此我们在三重分类和链接预测任务上对我们的方法进行了基准测试。因此，我们发现我们的方法在基准数据集 FB15k-237、WN18RR 和 Hetionet 上的表现优于几个基线。我们还进行了一项调查，发现提取的参数对用户很有帮助。
Chen，B。和Sargent，E。H.（2022）。到2050年，零净对太阳能材料研究人员意味着什么？物质，5（5），1322-1325。 doi https：// doi 电子... 的热导电聚合物复合材料 论文模板 表征了特定乳酸科属的抑制作用。在高度普遍的细菌上 在表象的促性腺营养周期中，对管家的测序和验证基因进行定量实时PCR
Bin Chen和Edward H. Sargent，多伦多大学摘要今天的能源部门是最大的温室气体发射器，占人为CO 2排放量的约70％。 需要全球能源供应的严格脱碳才能将温度升高到1.5°C以下并到2050年达到净零。 太阳能光伏将发挥关键作用，太阳能光伏的大量升级面临许多挑战。 在这里，我们讨论了材料研究人员如何为这一全球大挑战做出贡献。 使用太阳能光伏（PV）（图1A）收获地球最丰富的可再生能源（太阳到达地球的能量）将在脱碳电力生产中起关键作用。 太阳能是能够缩放到人类所依赖的数十个Terawatts的可再生能源。 PV对净零目标的重要性在其对世界电力能力的预计贡献中可以看到，这仅随着国际能源机构（IEA）报告的渐进性（图1B，Interet）的渐进性而增加。 要达到我们的集体净零目标，需要大量的太阳PV缩放（图1b）：国际技术路线图（ITRPV）所描述的最大胆的场景（ITRPV）设想2050年的世界由可再生能源100％供电，solar PV在2020年供应1％和全球供应中，包括69％的供应，包括全球供应，包括2020年的加热，包括电源。Bin Chen和Edward H. Sargent，多伦多大学摘要今天的能源部门是最大的温室气体发射器，占人为CO 2排放量的约70％。需要全球能源供应的严格脱碳才能将温度升高到1.5°C以下并到2050年达到净零。太阳能光伏将发挥关键作用，太阳能光伏的大量升级面临许多挑战。在这里，我们讨论了材料研究人员如何为这一全球大挑战做出贡献。使用太阳能光伏（PV）（图1A）收获地球最丰富的可再生能源（太阳到达地球的能量）将在脱碳电力生产中起关键作用。太阳能是能够缩放到人类所依赖的数十个Terawatts的可再生能源。PV对净零目标的重要性在其对世界电力能力的预计贡献中可以看到，这仅随着国际能源机构（IEA）报告的渐进性（图1B，Interet）的渐进性而增加。要达到我们的集体净零目标，需要大量的太阳PV缩放（图1b）：国际技术路线图（ITRPV）所描述的最大胆的场景（ITRPV）设想2050年的世界由可再生能源100％供电，solar PV在2020年供应1％和全球供应中，包括69％的供应，包括全球供应，包括2020年的加热，包括电源。
PointNeuron：通过点云的几何和拓扑学习进行 3D 神经元重建
从 3D 显微镜图像重建数字神经元是研究大脑连接组学和神经元形态的重要技术。现有的重建框架使用基于卷积的分割网络在应用追踪算法之前将神经元从噪声背景中分割出来。追踪结果对原始图像质量和分割精度很敏感。在本文中，我们提出了一种新的 3D 神经元重建框架。我们的关键思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，采用另一个图卷积网络来产生这些点的连通性。我们最终通过解释预测的点坐标、半径和连接来生成目标 SWC 文件。在 BigNeuron 项目的 Janelia-Fly 数据集上进行评估，我们表明我们的框架实现了具有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于 3D 医学图像分析，例如心脏表面重建。我们的代码可在 https://github.com/RunkaiZhao/PointNeuron 上找到。