XiaoMi-AI文件搜索系统
World File Search SystemAnnotated
经验研究文章写作中心电子邮件
从广泛的兴趣开始，然后将其范围缩小到特定主题。这个过程的流程图可能看起来像这样：诗歌EzraPound的诗歌EzraPound的诗歌翻译。下一步是确定您的主题是否可以研究：您是否有足够的时间进行研究？您是否与此主题有个人联系，这可能会阻碍您保持相对公正的能力？您对这个主题了解足够多，可以轻松地收集相关的学术文学？上面的兴趣流程图可以产生以下可研究的问题：以斯拉·庞德（Ezra Pound）的中国诗歌翻译是否准确？如果您对研究问题充满信心，请继续前进，并开始编译资源，您可能需要用于带注释的书目/文献评论。注释书目的注释参考书目（如果您的教授要求），找到六个来源 - 至少有三篇是同行评审的学术文章 - 与您的研究问题有关。总结文章，解决作者提出的论点，他们提供的有关您的主题的背景信息以及/或他们为支持或反对您的论点提供的证据。您注释的书目的布局将首先包括以MLA或APA格式对源的完整引用，然后在下面进行摘要。这是与研究问题有关的注释书目的一个示例：以埃兹拉·庞德（Ezra Pound）对中国诗歌的翻译是否准确？
基于深度学习的二维椭圆框区域脑肿瘤分割可行性研究
摘要：在大多数基于深度学习的脑肿瘤分割方法中，训练深度网络需要带注释的肿瘤区域。然而，准确的肿瘤注释对医务人员提出了很高的要求。本研究的目的是利用肿瘤周围的椭圆框区域训练深度分割网络。在所提出的方法中，深度网络通过使用大量未注释的肿瘤图像（其中肿瘤和背景周围有前景（FG）和背景（BG）椭圆框区域）以及少量带有注释肿瘤的患者（<20）来训练。训练首先在未注释的 MRI 上的两个椭圆框上进行初始训练，然后在少量带注释的 MRI 上进行细化训练。我们使用多流 U-Net 进行实验，它是传统 U-Net 的扩展。这使得能够使用来自多模态（例如 T1、T1ce、T2 和 FLAIR）MRI 的互补信息。为了验证所提方法的可行性，在两个胶质瘤数据集上进行了分割实验与评估，并将在测试集上的分割性能与在相同网络但完全由带注释的MRI图像训练的分割性能进行比较。实验表明，所提方法在测试集上获得了良好的肿瘤分割结果，其中在MICCAI BraTS'17和US数据集上肿瘤区域的dice得分为（0.8407，0.9104），肿瘤区域的分割准确率分别为（83.88%，88.47%）。与使用所有带注释的肿瘤训练的网络的分割结果相比，所提方法在MICCAI和US测试集上的分割性能下降分别为（0.0594，0.0159）和（8.78%，2.61%），但下降幅度相对较小。我们的案例研究表明，使用椭圆框区域代替所有注释的肿瘤来训练网络进行分割是可行的，并且可以被视为一种替代方案，这是在节省医学专家注释肿瘤的时间和分割性能的轻微下降之间的权衡。
研究文章：针对被忽视的热带疾病的经济实惠的基于人工智能的数字病理学：在 Kato-Katz 粪便厚涂片中检测土壤传播的蠕虫和曼氏血吸虫卵的概念验证
我们制作了一种基于人工智能的数字病理学 (AI-DP) 设备的原型，以探索自动扫描和检测用 Kato-Katz (KK) 技术制备的粪便中的蠕虫卵，该技术是诊断土源性蠕虫 (STH；蛔虫、鞭虫和钩虫) 和曼氏血吸虫 (SCH) 感染的现行诊断标准。首先，我们将原型全玻片成像扫描仪嵌入到柬埔寨、埃塞俄比亚、肯尼亚和坦桑尼亚的实地研究中。使用该扫描仪，扫描了超过 300 KK 厚的粪便涂片，总共得到 7,780 张视场 (FOV) 图像，包含 16,990 个带注释的蠕虫卵（蛔虫：8,600 个；鞭虫：4,083 个；钩虫：3,623 个；SCH：684 个）。约 90% 的带注释卵用于训练基于深度学习的物体检测模型。从 752 张 FOV 图像的未见过的测试集中，其中包含 1,671 个手动验证的 STH 和 SCH 卵（剩余 10% 的带注释卵），我们训练的物体检测模型从 KK 的共感染 FOV 图像中提取并分类了蠕虫卵
对瑞典南部哥特兰的反思地震调查
图3。（a）3D采集的来源和接收器位置，分别用黄色和白色圈子注释。2D采集的源和接收器位置用蓝色圆圈注释。红色矩形概述了3D区域。红色星星标志着Nore-1和Nore-2钻孔。（b）3D区域的细节，带有嵌入式和横线以及折叠的CDP箱尺寸为5 m，在线方向为5 m，在跨线方向上有15 m。蓝色和红色圆圈分别显示接收器和源点的位置。（a）中的航拍照片来自瑞典土地调查（Lantmateriet.se）。坐标在Sweref99 TM系统中。
A2V：通过两阶段训练血管造影到世纪的半监督域适应框架，用于脑血管分割
我们提出了一个半监督的域适应框架，用于来自不同图像模式的脑血管序列。现有的最新方法集中在单一模态上，尽管可用的脑血管成像技术广泛。这可能导致重大分布变化，从而对跨模式的概括产生负面影响。By relying on annotated angiographies and a limited number of an- notated venographies, our framework accomplishes image-to-image translation and se- mantic segmentation, leveraging a disentangled and semantically rich latent space to represent heterogeneous data and perform image-level adaptation from source to tar- get domains.此外，我们降低了基于周期的架构的典型复杂性，并最大程度地减少了对抗性训练的使用，这使我们能够通过稳定的培训构建一个高效且直观的模型。我们评估了有关磁共振血管造影和静脉曲张的方法。在源域中实现最先进的性能时，我们的方法在目标域中达到了仅8个目标域的骰子得分系数。降低了9％，突出了其在不同模态上稳健脑血管图像分割的有希望的潜力。
