XiaoMi-AI文件搜索系统
World File Search System重建
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。
利用解耦运动和形状模型进行 4D 心肌重建
评估心肌的形状和运动状态对于诊断心血管疾病至关重要。然而，电影磁共振 (CMR) 成像以 2D 切片为主，其大切片间距对切片间形状重建和运动获取提出了挑战。为了解决这个问题，我们提出了一种将运动和形状分离的 4D 重建方法，该方法可以从有限切片获得的给定稀疏点云序列预测间/内形状和运动估计。我们的框架包括一个神经运动模型和一个舒张末期 (ED) 形状模型。隐式 ED 形状模型可以学习连续边界并鼓励运动模型在没有地面真实变形监督的情况下进行预测，并且运动模型通过将任意点从任意阶段变形到 ED 阶段来实现形状模型的规范输入。此外，构建的 ED 空间可以对形状模型进行预训练，从而指导运动模型并解决数据稀缺问题。我们提出了我们所知的第一个 4D 心肌数据集，并在提出的、公开的和跨模态的数据集上验证了我们的方法，显示出卓越的重建性能并实现了各种临床应用。
创意人重建纽约
从2013年到2023年，近15倍上州就业增长率的15倍。 此外，在北部社区中，工作艺术家是人口始终增长的少数部分。 在纽约州北部，居民艺术家人口增长了21％。 可悲的是，我们创意产业中的这些快速转变超过了国家经济发展工具以支持工人。 例如，上州（区域经济发展委员会）REDC仅授予了2021年与艺术和文化有关的所有赠款的3.7％。 此外，在2022年全纽约州的104个DRI项目中，只有12个与艺术和文化有关。 1资金来支持这一增长的经济工具，反过来，增长对经济的积极影响正在减少，而与艺术和艺术相关的就业资金的资金在政府和慈善部门都下降了。 ●该州的经济决策者不能闲置。 我们的领导人必须开发从2013年到2023年，近15倍上州就业增长率的15倍。此外，在北部社区中，工作艺术家是人口始终增长的少数部分。在纽约州北部，居民艺术家人口增长了21％。可悲的是，我们创意产业中的这些快速转变超过了国家经济发展工具以支持工人。例如，上州（区域经济发展委员会）REDC仅授予了2021年与艺术和文化有关的所有赠款的3.7％。此外，在2022年全纽约州的104个DRI项目中，只有12个与艺术和文化有关。1资金来支持这一增长的经济工具，反过来，增长对经济的积极影响正在减少，而与艺术和艺术相关的就业资金的资金在政府和慈善部门都下降了。●该州的经济决策者不能闲置。我们的领导人必须开发
从单目遥感图像进行 3D 建筑物重建
与从 LiDAR 数据和多视图影像重建相比，倾斜影像重建是大规模城市建模的重要研究问题和经济解决方案。然而，建筑物足迹和立面的部分不可见性、严重的阴影效应以及大范围区域内建筑物高度的极端变化等若干挑战将现有的基于单目影像的建筑物重建研究限制在某些应用场景中，即从近地面影像建模简单的低层建筑物。在本研究中，我们提出了一种新颖的单目遥感影像 3D 建筑物重建方法，解决了上述困难，从而为更复杂的场景提供了一种有吸引力的解决方案。我们设计了一个多任务建筑物重建网络 MTBR-Net，通过四个语义相关任务和三个偏移相关任务来学习倾斜影像的几何属性、3D 建筑物模型的关键组件及其关系。网络输出通过基于先验知识的 3D 模型优化方法进一步集成，以生成最终的 3D 建筑模型。在公共 3D 重建数据集和新发布的数据集上的结果表明，与目前最先进的方法相比，我们的方法将高度估计性能提高了 40% 以上，将分割 F1 分数提高了 2% - 4%。
单眼视频的动态头部重建
我们提出了来自单眼RGB视频的动态3D头部重建的单眼神经参数头模型（Mono NPHM）。到此为止，我们提出了一个潜在的空间空间，该空间在神经参数模型的顶部参数化纹理场。我们限制了预测的颜色阀与基础几何形状相关，以便RGB的梯度有效地影响反向渲染过程中的潜在几何代码。为了提高表达空间的代表能力，我们使用超二维增强了向后变形场，从而在拓扑具有挑战性的表达式中显示出颜色和几何表示。使用Mono NPHM作为先验，我们使用基于符号距离字段的体积渲染来处理3D头重建的任务。通过nu毫无反转，我们使用面部锚点构成了具有里程碑意义的损失，这些损失与我们的规范几何表示紧密相关。为了评估单眼RGB视频的动态面部重建任务，我们在休闲条件下记录了20个具有挑战性的Kinect序列。单nphm超过 -
杜松：从接下来重建传输事件 -
1美国麻省理工学院和哈佛大学，美国马萨诸塞州剑桥市02142，美国。2美国马萨诸塞州剑桥市艺术与科学学院有机和进化生物学系，美国马萨诸塞州02138，美国。3美国霍华德·休斯医学研究所，美国医学博士20815，美国。4 Harvard-Mit健康科学与技术计划，美国马萨诸塞州剑桥市02139，美国。 5哈佛/麻省理工学院MD-PHD计划，美国马萨诸塞州波士顿，美国02115。 6系统，合成和定量生物学博士学位课程，系统生物学系，哈佛医学院，马萨诸塞州波士顿，美国马萨诸塞州02115。 7英国爱丁堡大学生态与进化研究所。 8 Fathom信息设计，马萨诸塞州波士顿，美国92114，美国9马萨诸塞州公共卫生部，马萨诸塞州波士顿，马萨诸塞州02108，美国。 10免疫学和传染病系，哈佛T.H. Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。4 Harvard-Mit健康科学与技术计划，美国马萨诸塞州剑桥市02139，美国。5哈佛/麻省理工学院MD-PHD计划，美国马萨诸塞州波士顿，美国02115。6系统，合成和定量生物学博士学位课程，系统生物学系，哈佛医学院，马萨诸塞州波士顿，美国马萨诸塞州02115。7英国爱丁堡大学生态与进化研究所。8 Fathom信息设计，马萨诸塞州波士顿，美国92114，美国9马萨诸塞州公共卫生部，马萨诸塞州波士顿，马萨诸塞州02108，美国。10免疫学和传染病系，哈佛T.H. Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。10免疫学和传染病系，哈佛T.H.Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。 11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。 12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。Chan公共卫生学院，哈佛大学，波士顿，马萨诸塞州02115，美国。11马萨诸塞州病原体准备的联盟，哈佛大学，哈佛大学，波士顿，马萨诸塞州，美国02115，美国。12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。 †函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。 抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。 杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。12计算机科学系，工程与应用科学学院，哈佛大学，波士顿，马萨诸塞州02134，美国。†函数：ispecht@broadinstitute.org，pvarilly@broadinstitute.org。抽象传播重建 - 对谁感染了疾病暴发中的人的推论 - 对病原体如何扩散和为目标控制措施提供机会的关键见解。杜松的中心是下一代测序观察到的主机内变体频率的统计模型，我们在超过160,000多个深入序列的SARS-COV-2基因组的数据集上验证了该模型。我们开发了杜松（系统发育和流行病学重建的关节基础网络推断），这是一种高度估计的病原体爆发重建工具，结合了host内变化，不完全采样和算法平行化。将这种内部内部变化模型与人口水平的进化模型结合在一起，我们开发了一种同时推断系统发育和传播树的方法。我们在计算机生成的爆发和实际爆发中对杜松进行了基准测试，其中传输链接已知或在流行病学上得到证实。我们演示了杜松的
准确、高效地重建右心室形状和
从时间分辨的医学图像中精确重建右心几何形状和运动可增强基于图像可视化的诊断工具以及通过计算方法进行的心脏血液动力学分析。由于右心形态和运动的特殊性，常用的分割和/或重建技术仅采用短轴电影 MRI，在右心相关区域（如心室底部和流出道）缺乏准确性。此外，重建过程非常耗时，并且在生成计算域的情况下需要大量的人工干预。本文提出了一种从时间分辨 MRI 中精确高效地重建右心几何形状和运动的新方法。具体而言，所提出的方法利用表面变形来合并来自多系列电影 MRI（如短/长轴和 2/3/4 腔采集）的信息并重建重要的心脏特征。它还通过利用合适的图像配准技术自动提供完整的心脏收缩和放松运动。该方法既适用于健康病例，也适用于病理（法洛四联症）病例，并且比标准程序产生更准确的结果。所提出的方法还用于为计算流体动力学提供重要输入。相应的数值结果证明了我们的方法在计算临床相关血液动力学量方面的可靠性。© 2023 Elsevier BV 保留所有权利。
放射科医生、非放射科医生和普通人从“墨卡托地图”曲线重建中识别大脑皮层萎缩儿童的准确性
背景：使用文本报告向父母和对赔偿权提出异议的法律专业人士传达患有长期缺氧缺血性损伤 (HII) 的儿童的双侧、对称性和区域性皮质脑萎缩可能很困难。使用标准的横截面图像向外行人解释双侧、区域性脑成像也具有挑战性。大脑表面的单一平面图像，就像从地球仪中得出地球地图一样，可以通过磁共振成像 (MRI) 扫描的曲面重建生成，即墨卡托地图。外行人在未经事先培训的情况下识别异常“墨卡托脑图”的能力需要在非医疗环境中使用前进行评估。目的：确定外行人在未经事先培训的情况下检测异常儿童墨卡托平面脑图的灵敏度和特异性。方法和材料：向 111 名参与者分别提供 10 张墨卡托脑图。这些地图包括 5 个 HII、1 个皮质发育不良和 4 个正常病例。参与者需要识别异常扫描。计算了总体和参与者亚组的敏感性和特异性。结果：总体敏感性和特异性分别为 67% 和 80%。普通放射科医生（n = 12）的敏感性和特异性分别为 91.2% 和 94.6%。外行人（n = 54）的敏感性为 67%，特异性为 80%。结论：放射科医生的高特异性和敏感性验证了该技术在区分皮质病理异常扫描方面的有效性。外行人使用墨卡托地图识别异常大脑的高特异性表明，这是一种向外行人展示儿童 HII 皮质 MRI 异常的可行沟通工具。
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。