XiaoMi-AI文件搜索系统
World File Search SystemConsistency
TISS-net：使用级联双任务网络和误差预测一致性进行脑肿瘤图像合成和分割
从医学图像中准确分割脑肿瘤对于诊断和治疗计划非常重要，而且通常需要多模态或对比度增强图像。然而在实践中，患者的某些模态可能缺失。合成缺失的模态有可能填补这一空白并实现高分割性能。现有方法通常分别处理合成和分割任务，或者将它们联合考虑，但没有对复杂的联合模型进行有效的正则化，导致性能有限。我们提出了一种新颖的脑肿瘤图像合成与分割网络 (TISS-Net)，该网络可以高性能地端到端获得合成的目标模态和脑肿瘤分割。首先，我们提出了一个双任务正则化生成器，可以同时获得合成的目标模态和粗分割，它利用肿瘤感知合成损失和可感知正则化来最小化合成和真实目标模态之间的高级语义域差距。基于合成图像和粗分割，我们进一步提出了一个双任务分割器，它可以同时预测细化分割和粗分割中的误差，其中引入这两个预测之间的一致性以进行正则化。我们的 TISS-Net 通过两个应用进行了验证：合成 FLAIR 图像用于整个神经胶质瘤分割，合成增强 T1 图像用于前庭神经鞘瘤分割。实验结果表明，与现有模态的直接分割相比，我们的 TISS-Net 大大提高了分割精度，并且优于最先进的基于图像合成的分割方法。2023 作者。由 Elsevier BV 出版 这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
使用基于生理的药代动力学建模检查美国与欧洲维生素D指南之间的一致性
1以外的咨询有限公司14 Tytherington Park Road，Macclesfield，Cheshire，UK SK10 2EL 2 ELLIVERPOOL利物浦大学药理学与治疗系超过125 nmol/L的25-羟基维生素D与潜在毒性有关。使用基于生理的药代动力学模型，基于南非开普敦的一项随机对照试验，我们显示了2000 IU每日剂量，欧洲食品安全局建议将其作为安全剂量，预计将导致血清浓度超过125 Nmol/l threshold，其中一些儿童和青少年中有125 nmol/l阈值。这突出了不同准则与使用建模来弥合剂量和药代动力学之间的差距之间的不一致。简介维生素D代谢产物25-羟基维生素D（25（OH）D）的血清水平被广泛接受为维生素D状态的标志物。，工作定义包括缺乏症（<30 nmol/l），不足（30 - 50 nmol/l），适当度（50 - 125 nmol/l）（50 - 125 nmol/l）和潜在的毒性（> 125 nmol/l）[1-3] [1-3] [1-3] [1-3]。对于儿童（1-11岁）和青少年（12-18岁），内分泌学会建议补充经验性维生素D，以防止营养易人RICKET，并有可能降低呼吸道感染的风险[2]。在预防呼吸道感染的研究中评估了300 - 2000 IU之间的每日剂量，但内分泌学会建议不建议使用特定剂量[2]。根据欧洲食品安全局（EFSA）的说法，每天剂量至2000 IU对1-10岁的儿童安全[4]。作为第一步，一个有用的目标是通过药代动力学（PK）建模来检查NASEM和EFSA指南之间的一致性，该建模以公正的方式集成了无访问信息。到目前为止，据报道，慢性肾脏病[5]和肥胖和哮喘儿童的口服维生素D建模[6]。这些报告突出了基于体重的剂量选择方法的重要性。不幸的是，没有针对健康的孩子建立建模。，我们基于对南非开普敦健康学童的3年研究[7]，开发了一种基于生理的药代动力学（PBPK）模型[8，9]。性别和体重被用作协变量来预测不同隔室的体积，并且使用年龄范围的体重指数（ZBMI）来预测脂肪质量。在不同的论文中报告了该模型的发展和资格[10]。要检查一致性，我们的目标是评估血清25（OH）D在儿童（6-10岁）和青少年（11-17岁）的每日各种剂量下如何改变。生产快速
前夕：有效的零击基于文本的视频编辑，带有深度地图指南和时间一致性约束
以图像扩散模型的出色性能为动机，越来越多的研究人员努力将这些模型扩展到基于文本的视频编辑任务。然而，当前的视频编辑任务主要遭受高调成本与有限发电量之间的困境。与图像相比，我们猜测视频需要更多的限制来保留编辑期间的时间一致性。朝着这一目标，我们提出了夏娃，一种坚固而富的零射击方法。在深度图和时间一致性约束的指导下，EVE通过负担得起的计算和时间成本得出令人满意的视频编辑结果。更重要的是，认识到没有公开可用的视频编辑数据集进行公平比较，我们构建了一个名为ZVE-50数据集的新基准。通过全面的实验，我们验证了夏娃在绩效和效率之间取得令人满意的折衷。代码，数据集和视频编辑演示可在https://github.com/alipay/alipay/ant-multi-modal- framework/blob/ain/main/prj/eve上使用。
视觉语言一致性指导的多模式及时学习盲人AI生成的图像质量评估
摘要 - 非常重要的是，文本提示调整在调整对比的语言图像预训练（剪辑）模型中表现出了启示性能，以对自然图像质量评估。但是，这种单模式提示学习方法仅调节剪辑模型的语言分支。这还不足以使剪辑模型适应AI生成的图像质量评估（AGIQA），因为AGIS在视觉上与自然图像有所不同。此外，没有研究与AGIS相关的AGIS和用户输入文本提示之间的一致性，该提示与AGIS的感知质量相关，并未研究以指导AgiQA。在这封信中，我们提出了视觉语言一致性指导的多模式的迅速学习，以学习为clip-agiqa。具体来说，我们分别在剪辑模型的语言和视觉分支中介绍了可学习的文本和视觉提示。此外，我们设计了一个文本对象对齐质量预测任务，该任务的学习视觉一致性知识用于指导上述多模式提示的优化。对两个公共AGIQA数据集的实验结果表明，所提出的方法超过了最先进的质量评估模型。源代码可在https://github.com/junfu1995/clip-agiqa上找到。
PIN-SLAM：LIDAR使用基于点的隐式神经表示来实现全球地图一致性
图1：我们使用基于弹性点的隐式神经图表示，这是一种新型的LIDAR SLAM系统。在中间描绘的是，我们使用大约20,000个带有汽车记录的LiDAR扫描的大规模全球一致的神经点图，而无需使用GNSS，IMU或车轮频能计的任何信息。我们可以从神经点图和重建表面网格的任意位置查询SDF值。点颜色表示在线优化后的神经点功能。在左侧，我们显示了一致的神经点（顶部）和网眼（底部），该区域多次由沿线橙色盒子指示的汽车穿过。当添加到地图中时，神经点（顶部）的颜色表示时间步。在右侧，我们显示了从一个用虚线的蓝色盒子指示的区域的神经点图（顶部）重建的建筑物的高层网格（底部）。
识别基于统计分布的加速老化测试期间LFP/C电池的机理一致性
这项研究建立了一种新的方法，可以研究加速的衰老测试是否可以在短时间内准确地对现实的细胞衰老进行建模，同时还可以维持所涉及的衰老机制的一致性。作为效率和一致机制之间的权衡，加速衰老的应用需要仔细选择应力因素，以确定操作范围和与衰老相关的应激因素的重要性。基于为43个月的日历老化测试和10个月循环老化测试设计的三个级别的主要应力因素，这项工作旨在应力排名，并指示用于商业LFP/C电池的合适的操作间隔，并采用了两种最受欢迎的电池寿命分布，即电池，即logormormal and weibull。锂离子电池的统计分布是通过非线性混合效应（NLME）模型的排放能力损失来实现的。结果证明，对数正态是首选模型，并且随着更深的衰老，尤其是在日历老化中，右链的Weibull变得更加明显。得出了由一致加速因子引导的分布参数的进化定律。基于寿命样本的NLME模型的似然比参数bootstrap方法始终产生，以高于47.5℃的温度来测试条件，而循环衰老的平均收费（SOC）高于72.5％的平均电荷（SOC）会导致不同的生活行为。相比之下，SOC水平和较高温度的组合不会导致日历老化机制的变化。温度是最显着的应力，其次是温度耦合的循环深度和SOC水平。此方法可以提供参考，以制定合理的测试计划，以检测电池的性能以更准确地预测其生活。
通过 GAN 反演从功能性磁共振成像重建面部图像并提高属性一致性
摘要 — 神经科学研究表明，大脑对视觉内容进行编码并将信息嵌入神经活动中。最近，深度学习技术通过使用生成对抗网络 (GAN) 将大脑活动映射到图像刺激，促进了解决视觉重建问题的尝试。然而，这些研究都没有考虑图像空间中潜在代码的语义含义。忽略语义信息可能会限制性能。在本研究中，我们提出了一个新框架，用于从功能性磁共振成像 (fMRI) 数据重建面部图像。在该框架下，首先应用 GAN 逆向来训练图像编码器以提取图像空间中的潜在代码，然后使用线性变换将其桥接到 fMRI 数据。使用属性分类器从 fMRI 数据中识别出属性后，决定操纵属性的方向，然后属性操纵器调整潜在代码以提高所见图像和重建图像之间的一致性。我们的实验结果表明，所提出的框架实现了两个目标：（1）从 fMRI 数据重建清晰的面部图像；（2）保持语义特征的一致性。索引术语 —fMRI、面部图像重建、GAN 反转、属性操纵
具有生成神经网络的MR图像快速介绍降低重新识别风险并保留体积一致性
用于制备本文的数据是从阿尔茨海默氏病神经影像学计划（ADNI）数据库（adni.loni.usc.edu）获得的。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在：
图理论测量的一致性是阿尔茨海默氏病纤维密度连接跨多个分割量表
图理论措施经常被用来研究阿尔茨海默氏病人脑连接组中的连通性中断。然而，先前的研究指出，图创建方法的差异是可能改变这些措施中发现的拓扑观察的混杂因素。在这项研究中，我们进行了一项新的研究，以了解针对从扩散张量成像得出的纤维密度网络计算出的图形理论措施的影响。We computed 4 network-wide graph theoretical measures of average clustering coefficient, transitivity, characteristic path length, and global efficiency, and we tested whether these measures are able to consistently identify group differences among healthy control (HC), mild cognitive impairment (MCI), and AD groups in the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort across 5 scales of the Lausanne分析。我们发现，旋转性的分离度量在区分健康和患病群体方面提供了范围内最大的一致性，而其他措施则受到不同程度量表的选择的影响。全球效率是我们测试的第二个最一致的度量，该度量可以在所有5个量表中以及在5个量表中的3个量表中区分HC和MCI。特征路径长度对尺度变化高度敏感，证实了先前的发现，并且无法识别许多尺度的群体差异。平均聚类系数也受到量表的极大影响，因为它始终未能识别出较高分辨率分析中的群体差异。从这些结果中，我们得出结论，许多图理论度量对选择量表的选择敏感，并且需要进一步发展方法，以更加强大地表征AD的关系与连通性中断的关系。
坦桑尼亚和德国的数字健康策略及其与世界卫生组织数字健康全球战略的一致性2020-2
背景：近年来，数字健康（DH）技术的快节奏采用已经改变了医疗保健的交付。但是，这种快速发展也导致了诸如不协调的开发和信息孤岛等挑战，阻碍了有效的医疗保健整合。认识到这些挑战，国家已经制定了数字健康战略（DHSS），与全球框架的国家健康优先事项和指导保持一致。世界卫生组织（WHO）的全球数字健康战略2020-2025（GSDH）指导国家国民发展局。目的：本研究分析了坦桑尼亚和德国的DHSS作为案例研究，并评估了它们与GSDH的一致性，并确定了优势，缺点和改善领域。方法：进行了比较政策分析，重点介绍了坦桑尼亚和德国作为案例研究的DHSS，以与其对比鲜明的医疗保健系统和合作历史。分析涉及一个三步过程：（1）评估与GSDH的一致性，（2）比较相似性和差异，以及（3）评估新兴技术的融合。主要数据来源包括国家eHealth政策文件和相关立法。结果：德国和坦桑尼亚的DHSS都与WHO的GSDH显着保持一致，其中包含了其35个元素中的大部分，但每个元素都缺少5个不同的元素。具体来说，坦桑尼亚的DHS缺乏领导者知识管理和能力建设等领域，而德国的战略则缺乏使医疗保健服务提供者和受益人参与发展阶段并促进健康公平的领域。未来两国在其他方面都表现出色，例如协作，知识转移和推进国家国民党，反映了它们致力于增强DH基础设施的承诺。两国在全球数字健康监护仪上的高评级强调了其在DH方面的实质进展，尽管挑战持续采用快速前进的技术，并且需要更具包容性和全面的策略。结论：这项研究表明，坦桑尼亚和德国在将其DHSS与WHO的GSDH保持一致方面取得了重大进步。但是，人工智能和机器学习等技术的快速发展提出了使策略保持最新的挑战。本研究建议制定更全面，包容性的策略和定期修订，以与新兴技术和需求保持一致。该研究强调了DHSS中特定环境适应的重要性，并强调了需要更广泛的战略准则来指导DH生态系统的未来发展。WHO的GSDH是国家DHSS的关键蓝图。这种比较分析证明了将国家战略与全球指南保持一致的价值和挑战。坦桑尼亚和德国都为开发和实施有效的DHSS提供了宝贵的见解，强调了持续适应和特定环境考虑的重要性。