XiaoMi-AI文件搜索系统
World File Search SystemDice
本科物理课程列表
· 主要内容：概率与统计、均值与方差、测量与统计误差、二项分布与泊松分布、高斯分布、中心极限定理、误差传播、卡方分布、最小二乘拟合、假设检验、基本实验室方法。· 实验室主题：掷两个六面骰子的概率、π 的测量、从一打六面骰子中掷出二的概率、宇宙射线粒子通过盖革计数器的速率、基本“弹球机”的高斯分布、伽马射线能谱、NaI 探测器的能量分辨率、放射性 137 Ba 同位素的寿命。· 教科书：John Taylor 著《误差分析导论》；第 1 至 12 章（第 9 章除外）的各个部分。教科书未涵盖的主题的讲座和实验笔记：https://www.asc. ohio-state.edu/gan.1/teaching/spring18/3700.html。
![arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日](/simg/g:\will\search\icon\source\5\543c988fb6282112e0662ae884f4a9f856c5229d.webp)
arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日
摘要。本文提出了一种基于对抗学习的脑肿瘤分割任务训练方法。在这个概念中，3D 分割网络从对偶对抗学习方法中学习。为了增强分割预测的泛化能力并使分割网络具有鲁棒性，我们遵循虚拟对抗训练方法，通过在原始患者数据上添加一些噪声来生成更多的对抗性示例。通过加入一个充当定量主观裁判的评论家，分割网络从与分割结果相关的不确定性信息中学习。我们在 RSNA-ASNR-MICCAI BraTS 2021 数据集上对网络架构进行了训练和评估。我们在在线验证数据集上的表现如下：Dice 相似度得分分别为 81.38%、90.77% 和 85.39%；增强肿瘤、整个肿瘤和肿瘤核心的 HausdorffiDistance (95%) 分别为 21.83 毫米、5.37 毫米、8.56 毫米。同样，我们的方法在最终测试数据集上实现了 84.55%、90.46% 和 85.30% 的 Dice 相似度得分，以及 13.48 毫米、6.32 毫米和 16.98 毫米的 HausdorffiDistance (95%)。总体而言，我们提出的方法在每个肿瘤子区域的分割精度方面都取得了更好的表现。我们的代码实现是公开的。
Cascade Residual Multiscale Convolution and Mamba- Structured UNet for Advanced Brain Tumor Image Segmentation
Abstract: In brain imaging segmentation, precise tumor delineation is crucial for diagnosis and treatment planning. Traditional approaches include convolutional neural networks (CNNs), which struggle with processing sequential data, and transformer models that face limitations in maintaining computational efficiency with large-scale data. This study introduces MambaBTS: a model that synergizes the strengths of CNNs and transformers, is inspired by the Mamba architecture, and integrates cascade residual multi-scale convolutional kernels. The model employs a mixed loss function that blends dice loss with cross-entropy to refine segmentation accuracy effectively. This novel approach reduces computational complexity, enhances the receptive field, and demonstrates superior performance for accurately segmenting brain tumors in MRI images. Experiments on the MICCAI BraTS 2019 dataset show that MambaBTS achieves dice coefficients of 0.8450 for the whole tumor (WT), 0.8606 for the tumor core (TC), and 0.7796 for the enhancing tumor (ET) and outperforms existing models in terms of accuracy, computational efficiency, and parameter efficiency. These results underscore the model's potential to offer a balanced, efficient, and effective segmentation method, overcoming the constraints of existing models and promising significant improvements in clinical diagnostics and planning.
基于DenseNet的多模态脑肿瘤图像分割
脑肿瘤磁共振图像处理算法可以帮助医生对患者病情进行诊断和治疗，在临床医学中有着重要的应用意义。针对传统U-net网络中多模态脑肿瘤图像分割中类别不平衡以及特征融合导致有效信息特征丢失的问题，本文提出一种基于U-net与DenseNet结合的网络模型。将原网络上编码路径和解码路径的标准卷积块改进为dense块，增强特征的传递；采用二元交叉熵损失函数与Tversky系数组成的混合损失函数取代原来的单一交叉熵损失，抑制了不相关特征对分割精度的影响。与U-Net、U-Net++、PA-Net相比，本文算法的分割精度有明显提升，在WT、TC、ET的Dice系数指标上分别达到0.846、0.861、0.782。 PPV系数指标分别达到了0.849、0.883、0.786；与传统U-net网络相比，所提算法的Dice系数指标分别提高了0.8%、4.0%、1.4%，且在肿瘤核心区域和肿瘤增强区域的PPV系数指标分别提高了3%、1.2%；所提算法在肿瘤核心区域分割性能最优，其Sensitivity指标达到了0.924，具有很好的研究意义和应用价值。
为物联网和微服务组装……
摘要：信息物理系统 (CPS) 和物联网 (IoT) 设备由多种不同的协议处理。对这些设备的管理和连接往往会产生可用性和可集成性问题。这就需要一种能够促进不同平台和设备之间通信的解决方案。物联网 (WoT) 描述了事物之间的接口和交互模式，从而将自身从用于管理这些事物的底层协议及其实施策略中抽象出来。本文介绍了数字骰子的概念，它是物联网设备和 CPS 的抽象，能够利用微服务架构的优势，并受到数字孪生概念的启发。数字骰子是 WoT 领域的服务系统，它通过设备的特征来表示设备，因此不同的 WoT 描述模型会导致与特定事物相关的不同微服务。本文探讨了数字骰子的定义以及 WoT 事物描述模型与数字骰子之间的转换以及维持系统的架构。
利用反射配准技术在脑病变分割中发挥双侧对称性
摘要：脑病变（包括中风病变和肿瘤）在位置、大小、强度和形式方面具有高度可变性，这使得自动分割变得困难。我们建议通过利用健康大脑的双侧准对称性来改进现有的分割方法，当存在病变时，这种对称性就会消失。具体而言，我们使用神经图像与其反射版本的非线性配准（“反射配准”）来确定每个体素在另一半球的同源（对应）体素。同源体素周围的斑块作为一组新特征添加到分割算法中。为了评估这种方法，我们实现了两种不同的基于 CNN 的多模态 MRI 中风病变分割算法，然后使用上面描述的反射配准方法通过添加额外的对称特征来增强它们。对于每种架构，我们在 2015 年缺血性中风病变分割挑战赛 (ISLES) 的 SISS 训练数据集上比较了有对称性增强和没有对称性增强的性能。使用线性反射配准可以提高基线的性能，但非线性反射配准可以带来更好的结果：一种架构的 Dice 系数比基线提高了 13 个百分点，另一种架构的 Dice 系数提高了 9 个百分点。我们认为在现有分割算法中添加对称特征具有广泛的适用性，特别是使用所提出的非线性、无模板方法。
从多磁性...
摘要背景：脑肿瘤细分在诊断和治疗计划方面有很大贡献。手动脑肿瘤描述是一项耗时且乏味的任务，并且根据放射科医生的技能而有所不同。自动化的脑肿瘤分割非常重要，并且不依赖于观察间或观察到。这项研究的目的是使从流体累积的反转恢复（FLAIR），T1加权（T1W），T2加权（T2W）和T1W对比（T1W对比度（T1CE）对比（T1CE）磁性结合（MR）序列的最高准确性或在MR上的组合，从而使MR的最高序列或pocorm pocol to pocol to pocol to pocol compoy 其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。 方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。 该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。 结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。 考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。 整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。其中。方法：Brats −2020挑战数据集，包含370名具有四个MR序列和手动描绘的肿瘤口罩的受试者，用于训练残留的神经网络。该网络是针对每个MR序列（单通道输入）及其任何组合（双或多通道输入）分别训练和评估的。结果：单通道模型的定量评估表明，与其0.77±0.10骰子指数相比，天赋序列将产生更高的分割精度。考虑到双通道模型，具有FLAIR和T2W输入的模型产生了0.80±0.10骰子指数，表现出更高的性能。整个四个MR序列的关节肿瘤分割均具有0.82±0.09骰子指数的最高总体分割精度。结论：FLAIR MR序列被认为是单个MR序列上肿瘤分割的最佳选择，而整个四个MR序列的关节分割将产生较高的肿瘤描述准确性。
基于分层解耦卷积的特征交互网络用于三维医学图像分割
手动图像分割非常耗时，需要一种自动、准确的方法来利用富含上下文信息的三维医学图像分割多模态脑肿瘤，以用于临床治疗决策和手术计划。然而，由于肿瘤的多样性和子区域间复杂的边界相互作用，而有限的计算资源阻碍了高效神经网络的构建，利用深度学习实现医学图像的精确分割是一项挑战。我们提出了一种基于分层解耦卷积网络和注意机制的特征融合模块来提高网络分割的性能。我们用特征融合模块替换了U型网络的跳过连接来解决类别不平衡问题，从而有助于分割更复杂的医学图像。我们引入了全局注意机制来进一步融合编码器学习到的特征并探索上下文信息。对所提出的方法进行了增强肿瘤、整个肿瘤和肿瘤核心的评估，在 BraTS 2019 数据集上分别实现了 0.775、0.900 和 0.827 的 Dice 相似系数指标，在 BraTS 2018 数据集上分别实现了 0.800、0.902 和 0.841 的 Dice 相似系数指标。结果表明，我们提出的方法本质上是通用的，是脑肿瘤图像研究的有力工具。我们的代码可在以下位置获得：https://github.com/WSake/Feature-interaction-network-based-on-Hierarchical-Decoupled-Convolution。
HUT：用于脑病变和肿瘤分割的混合 UNet 变换器
像 UNet 这样的监督式深度学习网络在分割脑部异常（如病变和肿瘤）方面表现良好。然而，这类方法被提出用于单模态或多模态图像。我们使用混合 UNet Transformer (HUT) 来提高单模态病变分割和多模态脑肿瘤分割的性能。HUT 由两个并行运行的管道组成，其中一个基于 UNet，另一个基于 Transformer。基于 Transformer 的管道在训练期间依赖于 UNet 解码器中间层中的特征图。HUT 网络采用 3D 脑容量的可用模态，并将脑容量嵌入体素斑块中。系统中的变压器提高了全局注意力和体素斑块之间的长程相关性。此外，我们在 HUT 框架中引入了一种自监督训练方法，以提高整体分割性能。我们证明，在中风后病变解剖追踪 (ATLAS) 数据集的单模态分割中，HUT 的表现优于最先进的网络 SPiN，Dice 得分高出 4.84%，Hausdorffi 距离得分高出 41%。HUT 在脑肿瘤分割 (BraTS20) 数据集的脑部扫描中也表现良好，并且比最先进的网络 nnUnet 的 Dice 得分高出 0.96%，Hausdorffi 距离得分高出 4.1%。
基于PSO的MR图像分割用于脑肿瘤...
抽象的脑肿瘤分割是对医疗保健中诊断和治疗计划很重要的重要步骤。大脑MRI图像是根据建议的方法在收集数据并准备进一步分析之前先进行预处理的。建议的研究介绍了一种新策略，该策略使用以生物启发的粒子群优化（PSO）算法来分割脑肿瘤图像。为了提高准确性和可靠性，可以调整分割模型的参数。标准措施等标准度量，例如精度，精度，灵敏度，jaccard索引，骰子系数，特异性，用于绩效评估，以衡量建议的基于PSO的分割方法的有效性。建议方法的总体准确性为98.5％。随后的绩效分析分别为骰子得分系数，Jaccard指数，精度，灵敏度和特异性的91.95％，87.01％，92.36％，90％和99.7％的结果提供了更好的结果。因此，此方法对于放射科医生来说可能是有用的工具，可以支持它们诊断大脑中的肿瘤。关键字 - 脑肿瘤，群智能，粒子群优化，磁共振图像。