XiaoMi-AI文件搜索系统
World File Search System邻域
空间单细胞分析和邻域分析揭示了肝细胞癌中与检查点抑制剂治疗结果相关的免疫结构的决定因素
摘要背景对于肝细胞癌（HCC）中对检查点免疫疗法的反应的决定因素仍然很了解。预计肿瘤微环境（TME）中免疫反应的组织有望控制免疫疗法的结局，但空间免疫型仍然很差。目的我们假设空间免疫网络体系结构的反卷积可以鉴定HCC中临床相关的免疫型。设计，我们对101例患者的HCC组织进行了高度多重的成像质量细胞仪。我们在发现和验证队列中进行了深入的空间单细胞分析，以否定HCC免疫结构异质性的决定因素，并开发了用于预测免疫检查点抑制剂（ICI）疗法的空间免疫分类。结果生物信息学分析确定了HCC TME中的23个主要免疫，基质，实质和肿瘤细胞类型。无监督的邻域检测确定了三个免疫结构，具有不同的免疫细胞参与和以CD8 T细胞，髓样免疫细胞或B和CD4 T细胞为主的免疫检查点。我们使用这些定义了三种主要的空间HCC免疫型，这些免疫型反映了更高水平的肿瘤内免疫细胞组织：耗尽，分隔和富集。在ICI治疗下的无进展生存期在空间免疫类型之间显着差异，富集患者的存活率提高。在肿瘤内异质性患者中，一个富集区域的存在控制了长期生存。
空间单细胞分析和邻域分析揭示了肝细胞癌中与检查点抑制剂治疗结果相关的免疫结构的决定因素
摘要背景对于肝细胞癌（HCC）中对检查点免疫疗法的反应的决定因素仍然很了解。预计肿瘤微环境（TME）中免疫反应的组织有望控制免疫疗法的结局，但空间免疫型仍然很差。目的我们假设空间免疫网络体系结构的反卷积可以鉴定HCC中临床相关的免疫型。设计，我们对101例患者的HCC组织进行了高度多重的成像质量细胞仪。我们在发现和验证队列中进行了深入的空间单细胞分析，以否定HCC免疫结构异质性的决定因素，并开发了用于预测免疫检查点抑制剂（ICI）疗法的空间免疫分类。结果生物信息学分析确定了HCC TME中的23个主要免疫，基质，实质和肿瘤细胞类型。无监督的邻域检测确定了三个免疫结构，具有不同的免疫细胞参与和以CD8 T细胞，髓样免疫细胞或B和CD4 T细胞为主的免疫检查点。我们使用这些定义了三种主要的空间HCC免疫型，这些免疫型反映了更高水平的肿瘤内免疫细胞组织：耗尽，分隔和富集。在ICI治疗下的无进展生存期在空间免疫类型之间显着差异，富集患者的存活率提高。在肿瘤内异质性患者中，一个富集区域的存在控制了长期生存。
针对不确定的可再生能源生产时间表问题的稳健修复和优化数学方法
摘要 — 本研究提出了一种修复和优化数学方法来解决不确定情况下的时间表问题。具体来说，考虑一个大学时间表和电力存储调度问题，受可再生能源生产和电力需求不确定性的影响。该问题被表述为一个大型混合整数规划 (MIP)，所提出的解决方案结合了大邻域搜索和基于场景的稳健优化，以处理目标函数中的不确定性。首先，仅考虑硬问题约束（在本例中为重复讲座活动的安排）即可得出一个足够可行的时间表。接下来，通过修复和优化启发式搜索改进解决方案。在每次迭代中，MIP 求解器通过修复变量子集并对剩余的自由变量进行优化来探索一个大邻域。该过程重复多次，直到满足停止标准。为了解决目标中的不确定性，从区间预测中得出概率场景，并将最坏情况的能源成本最小化。参与技术挑战的结果表明，所提出的方法能够相对快速地提供具有竞争力的解决方案，即使对于大型问题实例也是如此，同时还可以避免较大的预测误差。索引词 — 修复和优化、局部邻域搜索、可再生能源预测、稳健优化、大学时间表。
一些贝德福德的定量复发问题 -
Boshernitzan [8]给出了一般系统的出色结果，该系统涉及R（t，ψ）的大小。后来，Barreira和Saussol [6]表示了一个更挑战的结果。近年来，许多作者将目光转向了分形的复发场景。一方面，一些研究人员表明，根据某些动力学系统，根据某个系列的收敛或分歧为无效或满足µ的量（请参阅Chang-Wu-Wu [10]，Baker-farmer [2]，Hussain-li-simmons-wang [15] Kleinbock-Zheng [17]和Baker-Koivusalo [3]）。另一方面，许多研究人员研究了某些dy-Namical系统中集R（T，ψ）的Hausdor效应（参见Tan-Wang [28]和Seuret-Wang [26]）。请注意，当我们需要{t n x}n≥1才能返回到所选点x0∈X的邻域而不是初始点x的邻域时，问题变成了所谓的收缩目标问题，这是Hill and Velani [13]第一次研究。从那以后，许多作者为研究缩小目标问题的研究做出了贡献。姓名，但请参见[1、4、9、12、14、18、20-22、25、27、29]，并参考。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
深度学习的扩散MRI拖拉术
图1。（a）我们提出的拖拉术算法的概述：给定种子点或部分已知的流线，我们的方法提取了相应的局部和邻域DMRI信号，以形成输入数据序列（x 1，…，x t）。然后将此序列馈送到我们的网络中，以预测传播的方向。随后，流线根据给定的步长和传播方向生长。更新的流线（不完整）将是我们方法的新输入，
光照不变的物体分割
常见的通用分割方法会因照明突然变化而受阻。由于打开灯而导致的亮度显著增加以及物体投射的阴影通常会导致这些方法产生错误的分类。为了实现照明不变分割，本文讨论的共线向量模型从局部像素邻域构建 RGB 颜色向量。亮度变化只会对这些向量的长度产生标量值的影响。因此，可以采用正交距离测量来确定照明不变下的局部颜色相似性。在存在加性噪声的情况下，通过找到从向量到未知无噪声信号的最小正交距离来估计向量共线。距离最小化可以定义为最小特征值问题。该最小值被纳入贝叶斯框架，从而允许最大化决策的后验概率 (MAP)。将结果值与静态和自适应阈值进行比较。分类标签被认为是通过马尔可夫随机场 (MRF) 采样的，以对像素相互依赖性进行建模。相应的能量函数定义为证据在空间邻域上的积分。这会导致前景蒙版的空间紧凑性和平滑边缘。使用 PETS 2001 数据集和特定照明测试集来衡量性能。
三年级 B.Tech 计算机科学与工程（...
图像增强（点处理）：图像负片、阈值处理、有背景和无背景的灰度切片、幂律和对数变换、对比度拉伸、直方图均衡化和直方图规范空间域图像增强（邻域处理）：用于图像增强的低通和高通滤波、空间滤波基础、生成空间滤波器掩模 - 平滑和锐化空间滤波图像变换：一维 DFT、二维离散傅里叶变换及其逆变换、二维 DFT 的一些属性、沃尔什-哈达玛、离散余弦变换、哈尔变换、倾斜变换频域图像增强：频域滤波基础、平滑和锐化频域滤波器
通过...进行时间序列的自监督对比预训练
时间序列的预训练提出了一个独特的挑战，因为预训练和目标域之间可能存在不匹配，例如时间动态的变化、快速演变的趋势以及长期和短期周期效应，这可能会导致下游性能不佳。虽然领域自适应方法可以缓解这些变化，但大多数方法都需要直接来自目标域的示例，这使得它们对于预训练来说不是最优的。为了应对这一挑战，方法需要适应具有不同时间动态的目标域，并且能够在预训练期间无需看到任何目标示例即可做到这一点。相对于其他模态，在时间序列中，我们期望同一示例的基于时间和基于频率的表示在时频空间中位置靠近。为此，我们假设时频一致性 (TF-C)——将示例的基于时间的邻域嵌入到靠近其基于频率的邻域——对于预训练是可取的。受 TF-C 启发，我们定义了一个可分解的预训练模型，其中自监督信号由时间和频率分量之间的距离提供，每个分量都通过对比估计单独训练。我们在八个数据集上评估了新方法，包括电诊断测试、人体活动识别、机械故障检测和身体状态监测。针对八种最先进方法的实验表明，TF-C 在一对一设置（例如，在 EMG 数据上微调 EEG 预训练模型）中平均比基线高出 15.4%（F1 分数），在具有挑战性的一对多设置（例如，对 EEG 预训练模型进行微调以进行手势识别或机械故障预测）中高出 8.4%（精度），反映了现实世界应用中出现的场景广度。源代码和数据集可在https://github.com/mims-harvard/TFC-pretraining获得。
grnet：G-PCC压缩的几何恢复...
摘要 - 基于损耗的几何点云压缩（G-PCC）不可避免地会损害点云的几何信息，这在诸如分类等任务等任务中的重新结构和/或误导决策中降低了经验质量（QOE）。为了解决它，这项工作提出了GRNET，以恢复G-PCC压缩大规模点云的几何形状。通过分析原始和G-PCC压缩点云的内容特性，我们将G-PCC失真归因于两个关键因素：点消失和点位移。点云上的可见障碍通常由个体因素或由两个因素施加的超级因素主导，这取决于原始点云的密度。为此，我们采用了两个不同的模型进行坐标重建，称为坐标扩展并分别攻击点消失和位移点。INADDITION，4- byteauxilaryDensitySinformation在BITSTREAM中发出信号，以帮助选择扩展，协调坐标，坐标，或它们的组合。在被送入坐标重建模块中之前，G-PCC压缩点云首次是由用于多尺度信息融合的特征分析模块处理的，其中基于K NN的变压器在每个尺度上都利用了基于K的变压器，以适应邻域几何学的邻域几何学动力学来有效恢复。以MPEG标准化委员会建议的常见测试条件显着提高了G-PCC锚点，并且在各种点云（例如，实心，密度和稀疏的样品）上的最先进方法均超过了最先进的方法。同时，与现有基于学习的方法相比，GRNET运行速度相当快，并且使用较小的模型，从而使其对行业从业人员有吸引力。