XiaoMi-AI文件搜索系统
World File Search SystemDice
3D‐MASNet：针对 6 个月大婴儿脑部 MRI 图像的 3D 混合尺度非对称卷积分割网络
图 4 3D-MASNet 框架中五种候选 CNN 架构的分割性能改进箱线图。第一列显示 DICE 的测量值，以表示每种组织类型的分割准确度。第二列显示 MHD 的结果。在每个子图中，我们使用两个相邻箱线图来表示候选模型（第一条）及其对应的 3D-MASNet（第二条）。通过两重交叉验证评估模型比较的重要性。“ * ”表示 .01 ≤ p < .05，“ ** ”表示 .001 ≤ p < .01，“ *** ”表示 p < .001。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练过程中的收敛速度提高了 20% 至 40%，在部署过程中的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要的计算内存是后者的 20 倍。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练期间的收敛速度提高了 20% 至 40%，在部署期间的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要 20 倍以上的计算内存。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
玛丽·R·哈维尔（Mary R. Harville）总裁兼首席执行官，2023年7月20日
（1）公司不得用于任何目的，包括但不限于广告，促进，进行彩票或作为彩票的基础。（2）公司不得批准和经营任何赌场或类似赌博机构，也不应批准或操作任何使用扑克牌，骰子，多米诺骨牌，老虎机，轮盘轮，轮盘轮或赢家在体育比赛结果确定的赢家的游戏。
策略元素 - 游戏设计
• 这类权衡在带有骰子、纸牌或其他随机机制的棋盘游戏中很常见。• 玩家通常可以选择采取更安全但奖励较少的行动，或者采取冒险但成功时奖励较多而失败时受到惩罚的行动。• 在这些游戏中，通常落后的玩家倾向于冒更多风险以赶上，而领先的玩家则倾向于谨慎行事以保持领先。
实现大脑图像共享：使用生成对抗网络实现具有分割标签的差异化隐私 TOF-MRA 图像
共享标记数据对于获取用于各种深度学习应用的大型数据集至关重要。在医学成像领域，由于隐私法规的原因，这通常是不可行的。虽然匿名化是一种解决方案，但标准技术已被证明是部分可逆的。在这里，使用具有差分隐私保证的生成对抗网络 (GAN) 的合成数据可以成为一种解决方案，既能确保患者的隐私，又能保持数据的预测特性。在本研究中，我们实现了具有和不具有差分隐私保证的 Wasserstein GAN (WGAN)，以生成用于脑血管分割的隐私保护标记的飞行时间磁共振血管造影 (TOF-MRA) 图像块。合成的图像标签对用于训练 U-net，该 U-net 根据来自两个不同数据集的真实患者图像的分割性能进行评估。此外，计算了生成的图像和真实图像之间的 Fréchet 初始距离 (FID) 以评估它们的相似性。在使用 U-Net 和 FID 进行评估时，我们探索了不同隐私级别的影响，该级别由参数 ε 表示。在更严格的隐私保障下，分割性能和 FID 与真实患者图像的相似性会下降。我们最好的分割模型是在合成数据和私人数据上训练的，在脑血管分割范例中，当 ε = 7.4 时，Dice 相似度系数 (DSC) 为 0.75，而当 ε = ∞ 时，Dice 相似度系数为 0.84（第二个测试集上的 DSC 分别为 0.69 和 0.88）。我们确定了一个阈值 ε < 5，对于该阈值，
BTS-GAN
乳腺肿瘤是乳腺癌诊断最突出的指标之一。精确的肿瘤分割对于提高乳腺癌检测的准确性至关重要。医生对 MRI 扫描的评估非常耗时，需要大量的人力和专业知识。此外，传统的医学分割方法通常需要先验信息或手动特征提取，导致诊断具有主观性。因此，开发一种自动图像分割方法对于临床应用至关重要。这项工作提出了 BTS-GAN，一种在磁共振成像 (MRI) 扫描中使用条件 GAN (cGAN) 的自动乳腺肿瘤分割过程。首先，我们使用编码器-解码器深度网络作为生成器，并在编码器和解码器之间使用跳跃连接，以提高定位效率。其次，我们利用并行扩张卷积 (PDC) 模块来保留各种大小肿块的特征并有效提取有关肿块边缘和内部纹理的信息。第三，在 cGAN 的损失函数中加入了额外的分类相关约束，以缓解基于分类的图像到图像 (I2I) 翻译任务中难以收敛的挑战。我们提出的模型的生成器端学习检测肿瘤并构建二值掩码，而鉴别器学习区分地面真实和合成掩码，从而驱动生成器生成尽可能真实的掩码。实验结果表明，我们的 BTS-GAN 对于乳腺肿瘤分割更有效、更可靠，并且在公开可用的 RIDER 乳腺癌 MRI 数据集上的 IoU 和 Dice 系数方面优于其他分割技术。我们提出的模型分别实现了 77% 和 85% 的平均 IoU 和 Dice 得分。2022 作者。由 Elsevier BV 代表卡拉布克大学出版 这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 的开放获取文章。
NPBDREG：使用基于非参数贝叶斯深度学习的方法进行微分同胚脑 MRI 配准中的不确定性评估
基于深度神经网络 (DNN) 的图像配准算法中的不确定性量化在图像配准算法用于临床应用（例如手术规划、术中指导、病情进展或治疗效果的纵向监测）以及面向研究的处理流程中起着至关重要的作用。当前用于基于 DNN 的图像配准算法中不确定性估计的方法可能会导致次优临床决策，因为对于假设的配准潜在空间参数分布的配准词干的不确定性估计可能不准确。我们引入了 NPBDREG，这是一种完全非参数贝叶斯框架，用于基于 DNN 的可变形图像配准中的不确定性估计，它结合了 Adam 优化器和随机梯度朗之万动力学 (SGLD)，通过后验采样来表征底层后验分布。因此，它有可能提供与分布外数据的存在高度相关的不确定性估计。我们使用来自四个公开数据库（MGH10、CMUC12、ISBR18 和 LPBA40）的 390 个图像对，证明了 NPB-DREG 与基线概率 VoxelMorph 模型 (PrVXM) 相比在脑部 MRI 图像配准方面的附加值。NPBDREG 显示预测不确定性与分布外数据的相关性更好（r > 0.95 vs. r < 0.5），并且配准准确度提高了 ∼ 7.3%（Dice 分数，0.74 vs. 0.69，p ≪ 0.01），配准平滑度提高了 ∼ 18%（变形场中的褶皱百分比，0.014 vs. 0.017，p ≪ 0.01）。最后，与基线 PrVXM 方法相比，NPBDREG 对受混合结构噪声破坏的数据表现出更好的泛化能力（Dice 得分为 0.73 对 0.69，p≪0.01）。
深度学习的自动纤维结构组织分割在乳腺磁共振成像筛选
摘要。鉴于乳腺癌病例的全球增加以及纤维球组织（FGT）密度在评估风险和预测疾病过程中的关键重要性，FGT的准确测量是诊断成像中的重大挑战。 当前的研究重点是使用深度学习模型在MRI扫描中自动分割乳腺组织。 的目的是为开发纤维球组织精确定量的方法建立坚实的基础。 为此，系统地处理了公开可用的“杜克乳腺癌MRI”数据集，以利用NNU-NET（“ No-New-NET”）框架训练深层神经网络模型，然后进行定量评估。 结果显示以下具有标准偏差的宏观平均指标：骰子相似系数0.827±0.152，准确性0.997±0.003，灵敏度0.825±0.158和特异性0.999±0.001。 我们模型在分割FGT中的有效性是由骰子系数，准确性，灵敏度和特异性的高值强调的，这反映了我们结果的精确性和可靠性。 这项研究的结果为开发自动化方法量化FGT的基础是坚实的基础。 我们的研究工作，尤其是在奥格斯堡大学医院的临床研究的驱动下，重点是进一步探索和验证这些潜力。鉴于乳腺癌病例的全球增加以及纤维球组织（FGT）密度在评估风险和预测疾病过程中的关键重要性，FGT的准确测量是诊断成像中的重大挑战。当前的研究重点是使用深度学习模型在MRI扫描中自动分割乳腺组织。的目的是为开发纤维球组织精确定量的方法建立坚实的基础。为此，系统地处理了公开可用的“杜克乳腺癌MRI”数据集，以利用NNU-NET（“ No-New-NET”）框架训练深层神经网络模型，然后进行定量评估。结果显示以下具有标准偏差的宏观平均指标：骰子相似系数0.827±0.152，准确性0.997±0.003，灵敏度0.825±0.158和特异性0.999±0.001。我们模型在分割FGT中的有效性是由骰子系数，准确性，灵敏度和特异性的高值强调的，这反映了我们结果的精确性和可靠性。这项研究的结果为开发自动化方法量化FGT的基础是坚实的基础。我们的研究工作，尤其是在奥格斯堡大学医院的临床研究的驱动下，重点是进一步探索和验证这些潜力。
树下：自然资本对不确定宏观经济模型中影子价格动态的影响
我们研究了在受不确定性影响的经济中，纳入自然资本动态对最优配置的影响。我们对气候对自然资本的损害以及自然资本与其他生产投入之间的替代弹性给出了新的估计。利用这些估计，我们研究了影子价格如何随模型规范和参数校准而变化。我们的研究结果表明，与标准 DICE 型模型相比，纳入自然资本的模型中碳的社会成本高出 12%。此外，碳的社会成本对最终产出生产函数中的替代弹性高度敏感。考虑到生产力的随机性，碳的社会成本进一步增加了 0.13% 至 39%，具体取决于习惯养成的纳入。