XiaoMi-AI文件搜索系统
World File Search System通用
赋能小规模知识图谱：利用通用知识图谱实现丰富嵌入的策略
摘要 知识密集型任务对机器学习 (ML) 技术提出了重大挑战。常用的方法，例如大型语言模型 (LLM)，在应用于此类任务时往往会表现出局限性。尽管如此，人们已经做出了显著的努力来缓解这些挑战，重点是通过知识图谱 (KG) 来增强 LLM。虽然 KG 在表示知识方面具有许多优势，但它们的开发成本可能会阻碍广泛的研究和应用。为了解决这一限制，我们引入了一个框架，用于使用完善的通用 KG 来丰富小规模领域特定知识图谱的嵌入。采用我们的方法，当链接到大量通用 KG 时，适度的领域特定 KG 可以从下游任务的性能提升中受益。实验评估表明性能显着增强，Hits @ 10 指标最高可提高 44%。这个相对未被探索的研究方向可以催化知识图谱更频繁地融入知识密集型任务中，从而产生更稳健、更可靠的机器学习实现，这比普遍存在的 LLM 解决方案更少产生幻觉。
调整视觉语言模型以实现医学图像中的通用异常检测
大规模视觉语言预训练模型的最新进展已在自然图像领域中的零样本/少样本异常检测方面取得了重大进展。然而，自然图像和医学图像之间巨大的领域差异限制了这些方法在医学异常检测中的有效性。本文介绍了一种新颖的轻量级多级自适应和比较框架，以重新利用 CLIP 模型进行医学异常检测。我们的方法将多个残差适配器集成到预训练的视觉编码器中，从而实现不同级别视觉特征的逐步增强。这种多级自适应由多级、逐像素的视觉语言特征对齐损失函数引导，将模型的重点从自然图像中的对象语义重新校准到医学图像中的异常识别。调整后的特征在各种医学数据类型中表现出更好的泛化能力，即使在模型在训练期间遇到看不见的医学模态和解剖区域的零样本场景中也是如此。我们在医学异常检测基准上进行的实验表明，我们的方法明显优于当前最先进的模型，在零样本和少样本设置下，异常分类的平均 AUC 改进分别为 6.24% 和 7.33%，异常分割的平均 AUC 改进分别为 2.03% 和 2.37%。源代码可从以下网址获取：https://github.com/MediaBrain-SJTU/MVFA-AD
夹子驱动的器官分割和肿瘤检测的通用模型
越来越多的公共数据集显示出对自动器官细分和图检测的显着影响。但是，由于每个数据集的大小和部分标记的问题，以及对各种肿瘤的有限侵入，因此所得的模型通常仅限于细分特定的器官/肿瘤，以及ig- ignore ignore ignore的解剖结构的语义，也可以将其扩展到新颖的Domains。为了解决这些问题，我们提出了剪辑驱动的通用模型，该模型结合了从对比的语言图像预训练（剪辑）到细分模型中学到的文本嵌入。这个基于夹子的标签编码捕获了解剖学关系，使模型能够学习结构化特征嵌入和段25个器官和6种类型的肿瘤。提出的模型是从14个数据集的组装中开发的，使用总共3,410张CT扫描进行培训，然后对3个附加数据集进行了6,162个外部CT扫描进行评估。我们首先在医疗细分十项全能（MSD）公共排行榜上排名第一，并在颅库（BTCV）之外实现最先进的结果。此外，与数据集特异性模型相比，大学模型在计算上更有效（更快6英制），从不同站点进行CT扫描更好，并且在新任务上表现出更强的传输学习绩效。
脊髓定量MRI的通用采集方案
定量脊髓（SC）磁共振成像（MRI）充满挑战，其中缺乏标准化成像方案。在这里，我们提出了一项前瞻性统一的定量MRI协议，我们将其称为脊柱通用协议，用于三个主要的3T MRI供应商：GE，Philips和Siemens。该协议提供了评估SC宏结构和微观结构完整性的有价值的指标：用于SC横截面区域（CSA）计算的T1加权和T2加权成像，用于灰质CSA的多回波梯度回声，以及用于评估白色物质微量结构的磁化化转移和扩散加权成像。脊柱通用方案用于在260名健康受试者的42个中心中获取数据，如伴侣论文[Ref-Data]中所述。脊柱通用协议是开放式访问，其最新版本可以在以下网址找到：https：//spinalcordmri.org/protocols。该协议将成为实施新的SC成像计划的研究人员和临床医生的宝贵起点。
非定域时钟中广义相对论时间膨胀的通用量子修改
相对论通过世界线将每个运动物体与一个固有时联系起来。然而在量子理论中，这种明确定义的轨迹是被禁止的。在介绍量子钟的一般特征之后，我们证明，在弱场、低速极限下，当运动状态为经典（即高斯）时，所有“良好”量子钟都会经历广义相对论所规定的时间膨胀。另一方面，对于非经典运动状态，我们发现量子干涉效应可能导致固有时与时钟测量的时间之间出现显著差异。这种差异的普遍性意味着它不仅仅是一个系统误差，而是对固有时本身的量子修改。我们还展示了时钟的离域性如何导致其测量时间的不确定性增大——这是时钟时间与其质心自由度之间不可避免的纠缠的结果。我们展示了如何通过在读取时钟时间的同时测量其运动状态来恢复这种丢失的精度。
教学大纲B.Sc. I＆II学期2022-2023微生物学，通用，技能（19-01-23）
1。Ananthanarayanan，C。和Paniker，C.K.J。2006。微生物学教科书，第七阶段。东方朗曼有限公司，钦奈。2。Aneja，K.R。 1993。 微生物学，植物病理学实验。 Rastogi and Company，Meerut。 3。 Brock T.D. 2012。 微生物的生物学，第十三版。 Prentice-Hall出版物。 4。 Cappuccino，J.G。 和Sherman，N。2004。 微生物学 - 实验室手册，第七版。 Addison - Wesley。 5。 爱德华·阿尔卡莫（Edward Alcamo）。 2010。 f微生物学的不合理，第九版。 琼斯和巴利特。 6。 Salle，A.J。 1967。 细菌学的基本原理，第六版。 Tata McGraw Hill Publishing Co. Ltd.，新德里。 7。 Kathleen Park Talaro2009。 微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。 8。 Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Aneja，K.R。1993。微生物学，植物病理学实验。Rastogi and Company，Meerut。 3。 Brock T.D. 2012。 微生物的生物学，第十三版。 Prentice-Hall出版物。 4。 Cappuccino，J.G。 和Sherman，N。2004。 微生物学 - 实验室手册，第七版。 Addison - Wesley。 5。 爱德华·阿尔卡莫（Edward Alcamo）。 2010。 f微生物学的不合理，第九版。 琼斯和巴利特。 6。 Salle，A.J。 1967。 细菌学的基本原理，第六版。 Tata McGraw Hill Publishing Co. Ltd.，新德里。 7。 Kathleen Park Talaro2009。 微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。 8。 Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Rastogi and Company，Meerut。3。Brock T.D.2012。微生物的生物学，第十三版。Prentice-Hall出版物。4。Cappuccino，J.G。 和Sherman，N。2004。 微生物学 - 实验室手册，第七版。 Addison - Wesley。 5。 爱德华·阿尔卡莫（Edward Alcamo）。 2010。 f微生物学的不合理，第九版。 琼斯和巴利特。 6。 Salle，A.J。 1967。 细菌学的基本原理，第六版。 Tata McGraw Hill Publishing Co. Ltd.，新德里。 7。 Kathleen Park Talaro2009。 微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。 8。 Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Cappuccino，J.G。和Sherman，N。2004。微生物学 - 实验室手册，第七版。Addison - Wesley。5。爱德华·阿尔卡莫（Edward Alcamo）。2010。f微生物学的不合理，第九版。琼斯和巴利特。6。Salle，A.J。 1967。 细菌学的基本原理，第六版。 Tata McGraw Hill Publishing Co. Ltd.，新德里。 7。 Kathleen Park Talaro2009。 微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。 8。 Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Salle，A.J。1967。细菌学的基本原理，第六版。Tata McGraw Hill Publishing Co. Ltd.，新德里。 7。 Kathleen Park Talaro2009。 微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。 8。 Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Tata McGraw Hill Publishing Co. Ltd.，新德里。7。Kathleen Park Talaro2009。微生物学的基础，第七国际埃德大学，麦格劳·希尔（McGraw Hill）。8。Pelczar，Jr.，J.M.，Chan，E.C.S。 和Kreig，N.R。 1993。 微生物学，第五版。 Tata McGraw Hill Publishing Co. Ltd. 9. Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Pelczar，Jr.，J.M.，Chan，E.C.S。和Kreig，N.R。1993。微生物学，第五版。Tata McGraw Hill Publishing Co. Ltd. 9.Prescott，L.M.，Harley，J.P。和Klein，D.A。 2008。 微生物学，国际版，第七版。 WBC McGraw Hill。Prescott，L.M.，Harley，J.P。和Klein，D.A。2008。微生物学，国际版，第七版。WBC McGraw Hill。WBC McGraw Hill。
像医学居民一样培训：对通用医学图像分割的上下文学习
临床成像工作流的主要重点是疾病诊断和管理，导致医学成像数据集与特定的临床目标密切相关。这种情况导致了开发特定于任务的分割模型的主要实践，而没有从广泛的成像群中获得见解。受到医学放射学居民培训计划的启发，我们提出了向普遍医学图像分割的转变，旨在通过利用临床目标，身体区域和成像方式的多样性和共同点来建立医学图像理解基础模型的范式。div of这个目标，我们开发了爱马仕，一种新颖的上下文 - 学习方法，以应对医学图像segmentation中数据杂基的挑战和注释差异。在五种模式（CT，PET，T1，T2和Cine MRI）和多个身体区域的大量各种数据集（2,438个3D图像）中，我们证明了通用范式比传统范式在单个模型中解决多个任务的传统范式的优点。通过跨任务的协同作用，爱马仕在所有测试数据集中都能达到最先进的性能，并显示出卓越的模型可伸缩性。其他两个数据集中的结果揭示了爱马仕在转移学习，分裂学习和对下游任务的概括方面的出色表现。爱马仕（Hermes）博学的先生展示了一个具有吸引力的特征，以反映任务和方式之间的复杂关系，这与既定的放射学解剖学和成像原则相吻合。代码可用1。
南非通用健康覆盖范围的旅程
RAP的卫生系统中概述了一个农村省的定义，加强了COVID-19的报告，该报告使用人口规模和密度，农业家庭的百分比，农村节点的数量以及存在传统权威来定义农村地区。5农村地区的定义基于市政基础设施投资框架（MIIF）。6为了这些事实说明，如果根据MIIF的规定，该地区被归类为农村地区，其农村城市比城市的城市和/或居住在属于农村地区的市政当局的人口中的人口更高（B3和B4）。6,7 UGU地区以这种方式使用MIIF时，是乡村/城市的边界，因此根据UGU地区网站的其他信息被归类为农村。8
通过风格增强和双重规范化实现通用的跨模态医学图像分割
对于医学图像分割，想象一下如果一个模型仅使用源域中的 MRI 图像进行训练，那么它在目标域中直接分割 CT 图像的性能如何？这种设置，即具有临床潜力的通用跨模态分割，比其他相关设置（例如域自适应）更具挑战性。为了实现这一目标，我们在本文中提出了一种新颖的双重规范化模型，该模型在通用分割过程中利用增强的源相似和源不相似图像。具体而言，给定一个源域，旨在模拟看不见的目标域中可能的外观变化，我们首先利用非线性变换来增强源相似和源不相似图像。然后，为了充分利用这两种类型的增强，我们提出的基于双重规范化的模型采用共享主干但独立的批量规范化层进行单独规范化。随后，我们提出了一种基于风格的选择方案，在测试阶段自动选择合适的路径。在三个公开数据集（即 BraTS、跨模态心脏和腹部多器官数据集）上进行的大量实验表明，我们的方法优于其他最先进的领域泛化方法。代码可在 https://github.com/zzzqzhou/Dual-Normalization 获得。