XiaoMi-AI文件搜索系统
World File Search SystemDice
气候变化挑战 - 主动模型
学习者扮演着通过气候变化生活的学生或老师的角色。他们将骰子滚动并移至减轻气候变化的电台，要求它们适应或引起意外问题。在整个游戏中，学生们跟踪他们发生的事情以及旅途的后果。活动结束了，对游戏中发生的事情进行了热烈的讨论，以及结果如何告知他们的选择，成为解决气候变化的解决方案的一部分。询问：学生定义术语以了解大气碳如何影响气候以及缓解和适应变化的含义。调查：学生参加一个活跃的模型，以找到减轻和/或适应变化的一些动作：学生使用他们的“生活故事”来撰写有关解决方案和适应策略的文章。
基于深度学习的二维椭圆框区域脑肿瘤分割可行性研究
摘要：在大多数基于深度学习的脑肿瘤分割方法中，训练深度网络需要带注释的肿瘤区域。然而，准确的肿瘤注释对医务人员提出了很高的要求。本研究的目的是利用肿瘤周围的椭圆框区域训练深度分割网络。在所提出的方法中，深度网络通过使用大量未注释的肿瘤图像（其中肿瘤和背景周围有前景（FG）和背景（BG）椭圆框区域）以及少量带有注释肿瘤的患者（<20）来训练。训练首先在未注释的 MRI 上的两个椭圆框上进行初始训练，然后在少量带注释的 MRI 上进行细化训练。我们使用多流 U-Net 进行实验，它是传统 U-Net 的扩展。这使得能够使用来自多模态（例如 T1、T1ce、T2 和 FLAIR）MRI 的互补信息。为了验证所提方法的可行性，在两个胶质瘤数据集上进行了分割实验与评估，并将在测试集上的分割性能与在相同网络但完全由带注释的MRI图像训练的分割性能进行比较。实验表明，所提方法在测试集上获得了良好的肿瘤分割结果，其中在MICCAI BraTS'17和US数据集上肿瘤区域的dice得分为（0.8407，0.9104），肿瘤区域的分割准确率分别为（83.88%，88.47%）。与使用所有带注释的肿瘤训练的网络的分割结果相比，所提方法在MICCAI和US测试集上的分割性能下降分别为（0.0594，0.0159）和（8.78%，2.61%），但下降幅度相对较小。我们的案例研究表明，使用椭圆框区域代替所有注释的肿瘤来训练网络进行分割是可行的，并且可以被视为一种替代方案，这是在节省医学专家注释肿瘤的时间和分割性能的轻微下降之间的权衡。
使用 U-Net 自动分割胃肠道
摘要 — 医学图像处理极大地改变了医疗保健的格局，特别是在各种疾病的诊断和治疗方面。胃肠道 (GI) 癌症已成为一个快速增长的问题，估计每年报告的新病例有 500 万例。为了达到这种精度，医疗保健专业人员现在利用尖端的磁共振成像 (MRI) 模式，即 MR-Linacs，它可以提供肿瘤位置的每日视图。然而，这一过程中的一个瓶颈出现在从获得的医学图像中手动分割处于危险中的健康器官（如胃和肠）的过程中。这项由放射科医生执行的任务非常耗时，可能会大大延长治疗时间，从而加剧患者的痛苦。因此，胃肠道分割的自动化可以无缝地帮助肿瘤学家。我们的研究提出了一种自动分割胃肠道的模型。本研究提出了一个 U-Net 模型，可以从 MRI 扫描中分割胃和肠。该数据集来自威斯康星大学麦迪逊分校卡博内癌症中心，包含用于训练注释的 RLE 编码掩码以及 16 位灰度 PNG 图像。每个病例包含多个扫描切片，按时间或整个病例分割。我们的方法使用了 U-Net 上的各种损失函数组合来提高胃肠道自动分割的准确性和效率。与其他损失函数相比，我们的模型使用 Dice+BCE 损失函数实现了较高的准确性。在训练数据集上，采用 Dice+BCE 损失函数的 U-Net 模型获得了最高的骰子分数 0.9082 和 IOU 分数 0.8594。在验证数据集上，该模型的骰子分数为 0.8974，交并比 (IoU) 分数为 0.8181。这项研究有助于解决与手动胃肠道分割相关的挑战，通过使用深度学习技术进行自动分割提供了可行的解决方案。关键词 — 磁共振成像 (MRI)、组合损失函数、U-Net、威斯康星大学麦迪逊分校 Carbone 癌症中心、胃肠道分割
CAS-Net：胎儿 MRI 的条件图谱生成和脑分割
摘要：胎儿磁共振成像 (MRI) 用于产前诊断和评估早期大脑发育。准确分割不同的大脑组织是几项大脑分析任务中的重要步骤，例如皮质表面重建和组织厚度测量。然而，胎儿 MRI 扫描容易产生运动伪影，这会影响手动和自动分割技术的正确性。在本文中，我们提出了一种新型网络结构，可以同时生成条件图谱并预测大脑组织分割，称为 CAS-Net。条件图谱提供了可以限制分割连接的解剖先验，尽管运动或部分体积效应会导致强度值的异质性。所提出的方法在来自正在开发的人类连接组项目 (dHCP) 的 253 名受试者身上进行了训练和评估。结果表明，所提出的方法可以生成具有清晰边界和形状变化的条件年龄特定图谱。它还对胎儿 MRI 的多类别脑组织进行分割，对于选定的 9 个组织标签，总体 Dice 相似度系数 (DSC) 高达 85.2%。
利用晶体管折叠布局作为 RHBD 技术......
随着晶体管特征尺寸的减小，HE 对高能粒子的敏感性会增加 [1-3]。由于电子系统广泛用于恶劣环境，文献中对缓解辐射影响的技术进行了大量的研究 [4-7]。可以从制造工艺修改到不同的设计实现来探索辐射加固策略。掺杂分布的修改、沉积工艺的优化和不同材料的使用都是众所周知的工艺加固辐射 (RHBP) 技术的例子。然而，除了成本较高之外，RHBP 通常比最先进的 CMOS 工艺落后几代，导致性能低下。另一方面，辐射加固设计 (RHBD) 已被证明可有效增强对辐射效应的抵抗力 [7]。这些技术可以在从电路布局到系统设计的不同抽象级别上实现。单粒子效应 (SEE) 的产生机制与集成电路 (IC) 的物理布局密切相关，例如，晶体管 pn 结中的能量沉积和电荷收集之间的关系。因此，可以在电路布局级别应用多种硬化方法，例如封闭布局晶体管 (ELT)、保护环、虚拟晶体管/栅极或双互锁存储单元 (DICE) [6-9]。
在深度学习中使用 U-Net 模型从 MRI 扫描中检测脑肿瘤
神经系统中的肿瘤疾病既危险又复杂。磁共振成像 (MRI) 对于检测脑部疾病至关重要；然而，从中识别肿瘤的存在非常耗时，需要专业医生。利用深度学习在 MRI 图像中检测肿瘤可以减少等待时间并提高检测准确性。我们提出了一种采用两个 U-Net 模型的方法：ResNeXt- 50 和 EfficientNet 架构，并结合特征金字塔网络 (FPN) 来分割脑肿瘤。这些模型是在 BraTS 2021 数据集上训练的，该数据集包含 3,929 张 MRI 扫描图像和 3,929 个相应的掩模，按 70:15:15 的比例分为训练集、测试集和评估集。结果表明，结合了 EfficientNet 和 FPN 的混合模型性能卓越，测试集上的平均交并比 (IoU) 准确率为 0.90，而 ResNeXt-50 为 0.50，Dice 准确率为 0.92，而 ResNeXt-50 为 0.66。此外，我们还开发了一个 Web 应用程序，实现了 EfficientNet 和 FPN 模型，方便医生从上传的 MRI 图像中轻松检测肿瘤。
基于U-NET的模型，用于最佳MR脑图像分割
摘要：MRIS的脑肿瘤分割一直是放射科医生的一项艰巨任务，因此，需要自动和广义的系统来解决此任务。在医学成像中使用的所有其他深度学习技术中，基于U-NET的变体是文献中最常用的模型，可针对不同的方式分割医学图像。因此，本文的目的是研究U-NET体系结构中的众多进步和创新，以及最近的趋势，目的是强调使用U-NET的持续潜力用于改善脑肿瘤分割的性能。此外，我们还提供了不同U-NET体系结构的定量比较，以从优化的角度突出该网络的性能和演变。除此之外，我们还尝试了四个U-NET体系结构（3D U-NET，COATION U-NET，R2 COATION U-NET和修改3D U-NET），用于Brats 2020数据集，以供脑肿瘤细分，以更好地概述该体系结构在DICE SCORE和HAUSDORFF距离上的概述。最后，我们分析了医学图像分析的局限性和挑战，以提供有关在优化方面开发新体系结构的重要性的批判性讨论。
通过缺失模态合成和模态级注意力融合进行多模态脑肿瘤分割
摘要 —多模态磁共振 (MR) 成像为诊断和分析脑胶质瘤提供了巨大潜力。在临床场景中，常见的 MR 序列（例如 T1、T2 和 FLAIR）可以在单次扫描过程中同时获得。然而，获取对比增强模态（例如 T1ce）需要额外的时间、成本和注射造影剂。因此，开发一种方法来合成不可用的模态具有临床意义，这些模态也可以用作下游任务（例如脑肿瘤分割）的额外输入以提高性能。在这项工作中，我们提出了一个端到端框架，称为模态级注意力融合网络 (MAF-Net)，其中我们创新地进行逐块对比学习以提取多模态潜在特征并动态分配注意力权重以融合不同的模态。通过在 BraTS2020 上进行大量实验，发现我们提出的 MAF-Net 具有优异的 T1ce 合成性能（SSIM 为 0.8879 和 PSNR 为 22.78）和准确的脑肿瘤分割（在分割肿瘤核心、增强肿瘤和整个肿瘤方面的平均 Dice 分数分别为 67.9%、41.8% 和 88.0%）。
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
睡眠剥夺引起的记忆障碍
本文（Yang等人）提出了Munet，这是一个新型的网络框架，结合了UNET和MAMBA在脑肿瘤分割方面的优势。一种特殊的基于SSM的结构，称为SD-SSM块和SD-CONV结构，通过捕获多尺度的全局和局部功能来增强细分性能，并在功能之间压缩冗余信息。此外，他们使用了结合MIOU，骰子和边界损失的新型损失函数，以优化分割的重叠和相似性。这些创新提高了脑肿瘤分割的准确性和效率。总的来说，这些论文中提出的贡献和工作涵盖了医学成像和机器学习的各个方面。论文1的重点是针对早期医学诊断的特征选择和分类。论文2提出了一个双重注意机制图卷积神经网络，用于基于脑电图的情绪产生。论文3介绍了