XiaoMi-AI文件搜索系统
World File Search SystemDice
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
数据分析和人工智能项目......
为了提取投标的详细信息，使用了 tender_basic_details 和 tender_work_items 表。在 54000 份投标中，27570 份工作项目在 tender_basic_details 表中有相应的条目。合并表后，所有空列都将被删除。数据集中的产品类别由 143 个数字代码表示。然后使用主表 gep_product_category 将这些数字替换为其文本对应项。对于分类数据类型，使用骰子度量计算距离，其中当值不相等时距离被视为“1”，否则为“0”。对于连续文本数据类型，两个文本之间的距离与相似度成反比。相似度使用余弦相似度方法计算。对于连续实值，距离是两个值的绝对差除以
创意项目 0：抽象策略游戏
策略游戏是指玩家根据一套规则进行一系列动作，希望获得特定结果（例如更高的分数、特定的游戏状态）以赢得游戏的游戏。策略游戏通常允许玩家自由选择要采取哪些动作（在规则范围内），并且几乎没有或完全没有随机性或运气（例如掷骰子、抽牌）。抽象策略游戏是策略游戏的一个子集，通常具有以下特点：a) 完美信息（即所有玩家始终知道完整的游戏状态，以及 b) 几乎没有或完全没有游戏主题或叙事。抽象策略游戏的常见示例包括：国际象棋、跳棋、围棋、井字游戏等。
脑肿瘤分割图像增强技术的比较分析：对比度、直方图和混合方法
摘要。本研究系统地研究了图像增强技术对基于卷积神经网络 (CNN) 的脑肿瘤分割的影响，重点关注直方图均衡化 (HE)、对比度限制自适应直方图均衡化 (CLAHE) 及其混合变体。该研究在 3064 张脑 MRI 图像的数据集上采用 U-Net 架构，深入研究了预处理步骤，包括调整大小和增强，以优化分割精度。对基于 CNN 的 U-Net 架构、训练和验证过程进行了详细分析。利用准确度、损失、MSE、IoU 和 DSC 等指标进行的比较分析表明，混合方法 CLAHE-HE 始终优于其他方法。结果突出了其卓越的准确度（训练、测试和验证分别为 0.9982、0.9939、0.9936）和强大的分割重叠，Jaccard 值为 0.9862、0.9847 和 0.9864，Dice 值为 0.993、0.9923 和 0.9932，强调了其在神经肿瘤学应用中的潜力。研究最后呼吁改进分割方法，以进一步提高神经肿瘤学的诊断精度和治疗计划。
使用 3D U-Net 自动分割术中超声图像中的脑肿瘤
由于神经外科手术期间大脑会变形，因此可以使用术中成像来可视化大脑结构的实际位置。这些图像用于图像引导导航以及确定切除是否完整并定位剩余的肿瘤组织。术中超声 (iUS) 是一种便捷的模式，采集时间短。然而，由于噪音和伪影，iUS 图像难以解释。特别是，肿瘤组织很难与健康组织区分开来，并且很难在 iUS 图像中划定肿瘤的界限。在本文中，我们提出了一种使用 2-D 和 3-D U-Net 在 iUS 图像中自动分割低级别脑肿瘤的方法。我们对网络进行了三重训练，每重有 12 个训练案例和 5 个测试案例。获得的结果很有希望，中位 Dice 得分为 0.72。估计分割和真实分割之间的体积差异与评分者内部体积差异相似。虽然这些结果是初步的，但它们表明深度学习方法可以成功应用于术中图像中的肿瘤分割。
FastField：用于有效近似深部脑刺激电场的开源工具箱
深部脑刺激 (DBS) 是一种通过电调节神经组织来缓解某些脑部疾病症状的外科疗法。预测电场和激活组织体积的计算模型是有效参数调整和网络分析的关键。目前，我们缺乏支持复杂电极几何形状和刺激设置的高效灵活软件实现。现有工具要么太慢（例如有限元法 - FEM），要么太简单，对基本用例的适用性有限。本文介绍了 FastField，一个用于 DBS 电场和 VTA 近似的高效开源工具箱。它根据叠加原理计算可扩展的电场近似，并根据脉冲宽度和轴突直径计算 VTA 激活模型。在基准测试和案例研究中，FastField 的求解时间约为 0.2 秒，比使用 FEM 快 ∼ 1000 倍。此外，它几乎与使用 FEM 一样准确：平均 Dice 重叠度为 92%，这大约是临床数据中发现的典型噪声水平。因此，FastField 有潜力促进有效的优化研究并支持临床应用。
应用于新生儿大脑MRI分割的合成学习的综合分析
图4（a）在GT_DRAWEM和从T2W或T1W的SynthMotinh模型之间计算出的骰子分数的所有主题的分布，对于不同的结构。（b）从Synthmotinh模型预测计算出的GM体积的散点图。y轴预测是由T2W体积和T1W体积的X轴进行的。（c）跨不同方法的视觉观察的说明。地面真相标签（gt_drawem）以绿色显示，预测为红色。蓝色箭头指示与T1W图像有关GT的可见未对准区域。红色箭头指示预测中的局部错误。（d）预测GM标签（蓝色）和GM GT（橙色）中T1W和T2W图像强度的直方图。
解剖背景信息是否可以改善 3D U-Net......
摘要：需要有效、稳健且自动化的脑肿瘤分割工具来提取对治疗计划有用的信息。最近，卷积神经网络在识别磁共振 (MR) 图像中的肿瘤区域方面表现出色。情境感知人工智能是开发用于计算机辅助医学图像分析的深度学习应用程序的一个新兴概念。当前研究的很大一部分致力于开发新的网络架构，以通过使用情境感知机制来提高分割准确性。在这项工作中，研究了以白质 (WM)、灰质 (GM) 和脑脊液 (CSF) 掩模和概率图的形式添加来自大脑解剖结构的情境信息是否能改善基于 U-Net 的脑肿瘤分割。 BraTS2020 数据集用于训练和测试两个标准 3D U-Net (nnU-Net) 模型，除了传统的 MRI 图像模态外，这两个模型还使用二元掩模 (CIM) 或概率图 (CIP) 形式的解剖上下文信息作为额外通道。为了进行比较，还训练了一个仅使用传统 MRI 图像模态的基线模型 (BLM)。从整体分割准确度、模型训练时间、领域泛化以及对每个受试者可用的 MRI 模态较少的补偿方面研究了添加上下文信息的影响。在官方 BraTS2020 验证数据集（125 名受试者）上，BLM、CIM 和 CIP 的中位 (均值) Dice 分数分别为 90.2 (81.9)、90.2 (81.9) 和 90.0 (82.1)。结果表明，在比较基线模型和上下文信息模型的 Dice 评分时，即使单独比较高级别和低级别肿瘤的性能，也没有统计学上显著的差异（ p > 0.05）。在少数看到改善的低级别病例中，假阳性的数量减少了。此外，在考虑模型训练时间或领域泛化时没有发现任何改进。只有在补偿每个受试者可用的 MR 模态较少的情况下，添加解剖上下文信息才能显著改善（ p < 0.05）整个肿瘤的分割。总之，当使用二元 WM、GM 和 CSF 掩模或概率图形式的解剖上下文信息作为额外通道时，分割性能并没有整体显著改善。
平衡气候变化与经济发展
2 Nordhaus的作品为文献提供了重要的见解。Nordhaus（1991）研究了温室气体（GHG）及其经济影响的历史背景，Nordhaus（1992 b）用方程式解释了骰子模型，Nordhaus（1992 a）分析了控制温室气体的理想过渡路径，Nordhaus（1994年）提供了全面的经济性和经济性的经济性，涵盖了风格的经济性，并且涵盖了范围的经济性，并且涵盖了风格的变化。 （2007年b）强调了总体收益在缓解气候变化政策中的重要性，而Nordhaus（2011）分析了不同地区的碳排放的社会成本。3中国于2013年在七个城市启动了碳排放贸易计划（ETS），并扩展到八个地点。国家ETS于2017年启动，发电行业的第一个合规周期于2021年参与。
深层网络，用于自动分割和定量CT
方法：培训数据集是从合作医院（医院A）回顾性收集的3,000张图像，并通过密集的U-NET框架进行了细分。三位经验丰富的放射科医生通过将像素标记为出血区域来确定地面真相。我们利用了骰子和类内相关系数（ICC）来测试地面真相的可靠性。此外，测试数据集由医院A的211张图像（内部测试）和另一家医院（医院B）的86个ICH图像（外部测试）组成。在这项研究中，我们选择了散点图，ICC和Pearson相关系数（PCC），以评估深层框架的性能。此外，为了验证深框架的有效性，我们对深模型和ABC/2方法之间的出血体积估计进行了比较分析。