XiaoMi-AI文件搜索系统
World File Search SystemBm
产消合一融入巴西能源行业
考虑到巴西能源政策的未来，在技术、商业和能源矩阵变化面前，必须考虑更加分散的能源系统的前景。因此，产消者形象与新商业模式 (BM) 相结合为该行业带来了机遇和挑战。本文旨在巩固知识，识别和理解巴西能源市场产消者和产消者驱动的 BM 发展的主要监管障碍和推动因素。对现有法规的全面审查为改进产消者聚集的相关法律框架提供了一个起点。然后，对巴西监管框架中的创新 BM 进行分析，以期指导该国未来发展政治和监管环境的决策。本文最后提出了促进巴西能源行业产消者聚集的政策建议。我们得出的结论是，产消者整合的主要障碍是监管和技术性质的，探索创新 BM 对于该行业的发展至关重要。重新定义公用事业的角色和责任是一个关键因素，同时探索集体自我消费。
建模骨髓微环境的复杂性以促进造血研究
造血发生在骨髓（BM）中，在被称为干细胞壁ne的专门微环境中发生，其中造血干细胞（HSC）驻留，并通过固有的外壳机制进行静态，自我更新和分化。BM至少包含两个区别的HSC支持性壁ni：一种内膜成骨细胞细胞的生态位，支持静止和自我更新，以及一个更血管/更血管/周围的舒张壁球，可促进增殖和差异。两者都与支持间充质基质细胞相关联。在更缺氧的成骨细胞生态位中，HSC特定地与内骨表面的成骨细胞相互作用，该成骨细胞分泌了几个重要的HSC静止和维持调节因素。体内成像表明，位于正弦内皮细胞附近的HSC和祖细胞更加增殖。在这里，HSC通过特异性细胞粘附分子与内皮细胞相互作用。内皮细胞还分泌几个对HSC稳态和增殖重要的因素。此外，HSC和间质基质细胞嵌入在细胞外基质（ECM）中，这是一个重要的蛋白质网络，例如胶原蛋白，弹性蛋白，层粘连蛋白，蛋白蛋白，蛋白酶，蛋白酶，玻璃纤维蛋白和纤维蛋白。ECM提供了机械特性，例如刚度和质量对细胞行为调节很重要。ECM蛋白还能够结合，隔离，显示和分布BM的生长因子，从而直接影响干细胞命运和造血的调节。由Elsevier Inc.出版在创建BM的三维模型时，BM的这些重要物理和化学特征需要仔细考虑。©2024国际实验血液学学会。这是CC下的开放访问文章（http://creativecommons.org/licenses/by/4.0/）
放射治疗和肿瘤学
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即不遗忘学习 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边协作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在各自的单中心测试数据上，BM 检测的平均 F1 分数范围从 0.625（NYU）到 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的提高可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和轮廓绘制精度，但损害了精度。相反，LWF 表现出值得称赞的灵敏度、精度和轮廓绘制精度。当应用于斯坦福大学时，观察到了类似的性能。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性提出了挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
用于深度学习脑转移瘤自动分割的多中心隐私保护模型训练
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即学习而不遗忘 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边合作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在相应的单中心测试数据上，BM 检测的平均 F1 分数范围为 0.625（NYU）至 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的改善可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和勾勒准确度，但损害了精度。相反，LWF 表现出令人称赞的灵敏度、精度和勾勒准确度。当应用于斯坦福大学时，观察到了类似的表现。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性构成挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
多中心 - 私人 - 抛光模型 - 深度训练 -
目标：这项工作旨在探索多中心数据异质性对深度学习脑转移（BM）自动分量性能的影响，并评估增量转移学习技术的功效，即不忘记（LWF），以提高模型性能而无需共享原始数据。材料和方法：使用了埃尔兰根大学医院（UKER），苏黎世大学医院（USZ），斯坦福大学，纽约大学（纽约大学）和Brats Challenge 2023的六个BM数据集。首先，分别为单一中心训练和混合多中心训练建立了用于BM自动分量的DeepMedic网络的性能。随后评估了保护隐私的双边合作，其中有一个验证的模型将分享到其他带有LWF或不带有LWF的转移学习（TL）的进一步培训中心。结果：对于单中心训练，在各自的单中心测试数据上，BM检测的平均F1得分范围从0.625（NYU）到0.876（UKER）。混合的多中心训练明显提高了斯坦福大学和纽约大学的F1分数，其他中心的改进可以忽略不计。当将UKER预告量化的模型应用于USZ时，LWF的平均F1得分（0.839）比NAIVE TL（0.570）和单中心训练（0.688）高于UKER和USZ测试数据。幼稚的TL提高了灵敏度和轮廓精度，但会损害精度。相反，LWF表现出值得称赞的灵敏度，精度和轮廓精度。应用于斯坦福大学时，观察到类似的性能。结论：数据异质性（例如，转移密度，空间分布和图像空间分辨率的变化）导致BM自动分量的性能变化，从而对构建概括性提出了挑战。LWF是对点对点隐私模型培训的有前途的方法。
比较转录组和功能分析提供了有关调节Highbush Blueberry
建立有效的植物再生系统是植物基因工程技术的关键先决条件。然而，再生率在基因型之间表现出很大的差异，并且基本的芽再生能力的关键因素在很大程度上难以捉摸。蓝莓叶外植体在富含细胞分裂素的培养基上培养的蓝莓叶植体没有明显的愈伤组织形成，表现出直接的射击器官，这有望加快遗传转化，同时最大程度地减少培养过程中的体细胞突变。这项研究的目的是阐明在Highbush蓝莓（vacinium corymbosum L.）中控制品种特异性芽再生潜力的分子和遗传决定因素。我们使用两种Highbush蓝莓基因型进行了比较转录组分析：“蓝色松饼”（“ BM”）显示出高再生速率（> 80％）和“ O'Neal”（“ ON”），其再生速率低（<10％）。发现揭示了许多与生长素相关基因的差异表达。值得注意的是，与“ ON”相比，“ BM”表现出更高的生长素信号基因表达。在拟南芥中涉及分生组织形成的转录因子的蓝莓直系同源物之间，芽再生的表达（VCESR）（VCESR），VCWUSCHEL（VCWUS）（VCWUS）和VCCUP形状的共叶叶叶2.1在“ BM”中相对于“ BM”的表现明显更高。生长素的外源应用促进了再生以及VCESR和VCWUS表达，而生长素生物合成的抑制产生了相反的作用。在“ BM”中的VCES过表达通过激活细胞分裂素和生长素相关基因的表达，在无植物激素条件下促进了芽的再生。这些发现为蓝莓再生的分子机制提供了新的见解，并对增强植物再生和转化技术具有实际意义。
![arXiv:2310.02829v1 [eess.IV] 2023 年 10 月 4 日](/simg/g:\will\search\icon\source\0\06579e6bea4781d569c631e9f6e68939710b8d1a.webp)
arXiv:2310.02829v1 [eess.IV] 2023 年 10 月 4 日
摘要。脑转移瘤 (BM) 是最常见的脑肿瘤。使用立体定向放射外科治疗多发性 BM 患者需要准确定位转移瘤。神经网络可以协助完成这项通常由人类专家执行的耗时且昂贵的任务。检测小病变尤其具有挑战性，因为它们在现有方法中往往代表性不足。然而，病变检测对所有大小都同样重要。在这项工作中，我们开发了一组神经网络，专门用于检测和分割小 BM。为了完成这项任务，我们训练了几个神经网络，专注于 BM 分割问题的各个方面：我们使用 blob 损失来专门解决病变实例在大小和纹理方面的不平衡，因此不会偏向较大的病变。此外，使用 T1 和 T1 对比增强序列之间的减法序列的模型专注于低对比度病变。此外，我们只针对小病变训练额外的模型。我们的实验证明了额外的 blob 损失和减法序列的效用。然而，在集成中包含专门的小病变模型会使分割结果变差。我们还发现，受领域知识启发的后处理步骤可以在大多数实验中大大提高我们的性能。我们的方法使我们能够向 ASNR-MICCAI BraTS 脑转移挑战赛 2023 提交具有竞争力的挑战参赛作品。
代表性和面部主义：图像搜索中的性别偏见建模动物社交网络
-m |OUķ -ubm;ķ！ĺķ！ĺķ！ - u -ŋou];ķķķĺőĺĺĺőĺőĺ°ou-] bm] v m1_UOM驱动人类 - 野生型互助的弹性。美国国家科学学院的会议，第120卷，第120卷，;ƒpimention-m |OUķ-ѵ7OM-7OM-7O _-r-uuo _-r-uuoķķ;1Hķķu-m7ѵķu-m7ѵķu-m7ѵķ-u-u-u |; ĺķs -r-]; ou]boķD。 （2021）。个体社会反馈在繁殖和进化中的重要性。动物生态学杂志，90ķƒCarter，G。G.，Schino，G。，＆Farine，D。（2019年）。在评估裙带关系和互惠在合作网络中的作用方面面临挑战。动物行为，150ķƒɣɣŋƒFarine，D。R.（2013）。使用ASNIPE在R中生态学家的动物社交网络推断和置换。生态学和进化中的方法，4，ɛɛѷƕŋɛɛɩɠĺ -ubm;ķ！！ĺĺő共。生态与进化中的方法，8，1309–1320。Farine，D。R.和Carter，G。G.（2022）。使用动物社交网络数据进行假设检验的置换测试：问题和潜在解决方案。生态与进化中的方法，13，144-156。Farine，D。R.，Montiglio，P.-O。，＆Spiegel，O。（2015）。从个人到群体和背部：群体典型组成的进化意义。生态与进化的趋势，30，609–621。; mm-ķu-m7ѵķĺĺķ！; moѵ|ķĺ-ubm;ķr.，Covas，R。，＆Doutrelant，C。（2020）。深度学习的基于小鸟识别的基于学习的方法。org/ 10。 div>-ub; m; | OUH 7- | -1bm] - ; vb-m =; m1;生态与进化中的方法，11ķčvvkĺĺĺĺĺECLOG和EVOLUTION中的方法，14，2411–2420。 ĺķ 和Guidei Pampling Design GPS-动物游泳研究。 生态学和进化中的方法，14，ΐѷѷζᬬustics o]; eyed; v_r-m7;ķĺķiĺ$tarķu-u-2bm] k arkan ov |; I. D. KS＆Couzin（2023）。 量化了群体允许无人机和竞争有远见的动物的情绪，行为和环境环境。 动物生态学杂志，92ķķ级ᐳ•ᐺ•tor B] _BM] ő分散了“ m | b” 7bts] 7bbs bm vs-ѵm;ouhvā-1_m -ror-1_ĺm。 ĺuo = | A.，A。，L。M.和Farine，D。R.（2023）。 团体级别的社交网络结构差异 - 在加入环境滴水后重复性重复。 皇家社会公开诚意，10，230340。 ] bmoke agakĺĺĺ Pugagonzalez，I.，Sueur，C。，＆Sosa，S。（2021）。ECLOG和EVOLUTION中的方法，14，2411–2420。ĺķ和Guidei Pampling Design GPS-动物游泳研究。生态学和进化中的方法，14，ΐѷѷζᬬustics o]; eyed; v_r-m7;ķĺķiĺ$tarķu-u-2bm] k arkan ov |; I. D. KS＆Couzin（2023）。量化了群体允许无人机和竞争有远见的动物的情绪，行为和环境环境。动物生态学杂志，92ķķ级ᐳ•ᐺ•tor B] _BM] ő分散了“ m | b” 7bts] 7bbs bm vs-ѵm;ouhvā-1_m -ror-1_ĺm。 ĺuo = |A.，A。，L。M.和Farine，D。R.（2023）。团体级别的社交网络结构差异 - 在加入环境滴水后重复性重复。皇家社会公开诚意，10，230340。] bmoke agakĺĺĺPugagonzalez，I.，Sueur，C。，＆Sosa，S。（2021）。皇家学会的哲学交易B，378，20220064。通过焦点采样收集的动物社交网络分析和数据的零模型：预网络或节点网络排列？生态与进化中的方法，第12卷，第22-32页。！ovvķ$ĺķ$ĺķ1ѵu; - |_ķ！ĺķ！; 7 _;-7ķķőƒ刑O7;ѵѵBM] -mbl-ѵM; | - 使用链中R中的工作数据。动物生态学杂志。https：// doi。1111/ 1365-2656。 div>14021“ 1_O = b;ѵ7ķķĺķ0; u uķbu |_ķbu|_ķķb;ѵH;ķ-ķ-v_bķ-| | | V - | V - |网络和社会措施。生态与进化中的方法，14ķķ沃德，A。，＆Webster，M。（2016年）。社会性：群体活跃动物的行为。Springer。Springer。
使用双层光谱CT对骨髓浸润和肿瘤负担的表征进行定量评估
是通过BM活检和血清学/尿液标记物（例如浆细胞浸润率（PCIR），无血清光链（SFLC）比率，血清/尿液/尿液和细胞遗传学状态的Proprotein（M蛋白）（M蛋白）来完成的。4-6然而，这些生物标志物检查遭受了不可避免的赤字，例如侵入性，痛苦和昂贵。是Durie和Salmon在1975年首次引入的，对骨骼的常规射线照相调查应用于阶段的MM骨病。7然而，由于检测溶裂性病变的灵敏度低并且无法评估治疗反应，因此要求使用更多实用的技术。随着成像技术的开发，例如单谐波计算机断层扫描（MECT），磁共振成像（MRI）和氟脱氧葡萄糖正电子发射 - 发射 - 发射 - pET（FDG PET/CT），BM浸润的直接评估已成为可能。8 mect是广泛可用和经济高效的，因此通常首先通过全身扫描评估MM患者。9，测试的主要局限性是检测轴向骨骼中非延展BM浸润的较低现象性，这对于MM患者而言更为常见。MRI被确认为BM浸润的“成像黄金标准”，事实证明，检测MM病变的敏感性更高。10，而对于可能导致难以忍受的疼痛和幽闭恐惧症的患者进行检查需要很长时间。最近建议使用11,12 FDG PET/CT来评估治疗量的反应和残留活性，因为它可以迅速响应BM的变化。13但是，应考虑相关的辐射和经济成本。双层光谱CT（DLCT）是一种新型的CT技术，具有两个不同的检测器层，可吸收聚染色的X射线光谱的不同部分。它可以根据研究的目的构建各种参数图像，例如尿酸，碘或钙。最近的研究表明，DLCT，尤其是虚拟非钙（VNCA）图像，与MECT相比，在评估MM时显示出显着改善，与FDG PET/CT和MRI相当。14-16因此，我们的研究有两个目标：首先，探讨VNCA图像在估计MMM患者中用MRI作为参考标准的BM浸润中的潜力。其次，要确定VNCA图像是否可以通过与已建立的生物标志物（PCIR，SFLC比和细胞遗传学StaTus）相关的肿瘤负担来表征肿瘤负担。
帕金森氏病和相关疾病
帕金森氏病及相关条件Caroline H Williams-Gray Paul Forth Caroline H Williams-Gray BM BM MRCP PhD是剑桥大学的首席研究助理，也是英国剑桥大学医院的荣誉顾问神经科医生。她专门研究帕金森氏病。竞争利益：CHW-G已从Lundbeck，Profem Pharma Limited和GSK获得了Honoraria；作案成果和evidera的咨询费；以及UCB Pharma的教育赠款。Paul F Worth BM BCH博士FRCP是英国剑桥市Addenbrooke医院的顾问神经病学家。 他专门研究对帕金森氏病非口腔疗法特别感兴趣的运动障碍。 竞争利益：PFW已获得UCB Pharma，Bial Pharma，Zambon，Britannia，Abbvie，Boehringer Ingelheim和Medtronic的酬金和咨询费。Paul F Worth BM BCH博士FRCP是英国剑桥市Addenbrooke医院的顾问神经病学家。他专门研究对帕金森氏病非口腔疗法特别感兴趣的运动障碍。竞争利益：PFW已获得UCB Pharma，Bial Pharma，Zambon，Britannia，Abbvie，Boehringer Ingelheim和Medtronic的酬金和咨询费。