XiaoMi-AI文件搜索系统
World File Search SystemHough
Thomas Wollmann 博士论文
高内涵显微镜在生物学和医学领域取得了许多进展。这种快速发展的技术正在将细胞生物学转变为大数据驱动的科学。计算机视觉方法用于自动分析显微镜图像数据。近年来，深度学习变得流行起来，并在计算机视觉领域取得了重大成功。大多数可用的方法都是为处理自然图像而开发的。与自然图像相比，显微镜图像带来了特定领域的挑战，例如训练数据集小、对象聚类和类别不平衡。本文介绍了用于显微镜图像中对象检测和细胞分割的新型深度学习方法。对于荧光显微镜图像中的粒子检测，提出了一种基于领域自适应反卷积网络的深度学习方法。此外，提出了一种在异质组织病理学图像中有丝分裂细胞检测的方法，该方法结合了深度残差网络和霍夫投票。该方法用于乳腺癌全切片组织学图像的分级。此外，介绍了一种基于物体质心的粒子检测和细胞检测方法，该方法可以端到端训练。它包括一个新的质心提议网络、一个用于在图像尺度和锚点上集成检测假设的层、一个有利于先前锚点而不是回归位置的锚点正则化方案以及一种改进的非最大抑制算法。此外，提出了一种基于归一化互信息的新型损失函数，该函数可以应对强烈的类别不平衡，并且是在贝叶斯框架内推导出来的。对于细胞分割，引入了一种具有增加的接受场以捕获丰富语义信息的深度神经网络。此外，提出了一种结合卷积神经网络的多尺度特征聚合和循环神经网络的迭代细化的两种范式的深度神经网络。为了提高训练的鲁棒性并改善分割，提出了一种新的焦点损失函数。此外，还提出了一种用于生物医学图像分析流程的黑盒超参数优化框架。该框架具有模块化架构，将超参数采样和超参数优化分开。建议基于最小投影对损失函数进行可视化，以进一步了解优化问题。此外，还提出了一种迁移学习方法，该方法仅使用一个颜色通道进行预训练，并对更多颜色通道进行微调。此外，还提出了一种用于组织病理学幻灯片的无监督域自适应方法。最后，介绍了 Galaxy Image Analysis，这是一个基于 Web 的显微镜图像分析平台。已经开发了用于细胞培养中的细胞分割、小鼠脑组织中的粒子检测和 MALDI/H&E 图像配准的 Galaxy Image Analysis 工作流程。所提出的方法已应用于具有挑战性的合成和真实
课程：Toshikazu Ikuta博士。 div>
（2024）1653个人强迫症的白质扩散估计值：来自Enigma OCD工作组的机器学习发现。分子精神病学，29（4），1063-1074。doi：10.1038/s41380-023-02392-6
全球化对尼泊尔经济的影响
尼泊尔苏格里中部大学副教授，摘要本文努力研究全球化如何影响尼泊尔经济。全球化引起了人们对不平等，政治转变和文化同质性的不平等现象的越来越关注。尽管目前对减少贫困有重大影响，但全球整合具有更成功的可能性。由于贸易自由化和技术进步的不断增长，全球化及其互连为地方和全球发展以及全球经济的扩张创造了新的前景。虽然尼泊尔有效地适应了全球化的转变和获利，但结果却不平衡。本文展示了融入全球经济的过程最近如何变得非常不平衡。它还表明，某些发展中国家（如尼泊尔）正在加入世界经济。关键词：经济，全球化，影响，整合，自由化。引言在全球范围内合并不同经济体的过程，而不会造成任何障碍，即资本，劳动力甚至技术，商品和服务的自由流动，被称为全球化。简单地说，全球化是经济活动在国界之外的扩展。国家宏观经济政策的影响力受到限制，国民经济遭受了全球市场力量的可怕。贸易，投资和治理在经济和社会层面上将人们束缚在一起。由于这种缓慢的整合，全球村庄出现了。信息，通信和运输技术以及市场自由化是推动这些链接的原因。活动或项目成为全球范围的过程被称为全球化。它暗示缺乏国际贸易的界限和障碍。扩大国际业务的结果比以前的全球经济更加集成。虽然外国直接投资（FDI）在1950年代和1960年代开始在全球化过程中发挥着更大的作用，但外贸的扩张是立即世界后第二次世界大战时期全球化的主要驱动力。在过去的三十年中，根据全球。全球化可以看作是影响经济的最重要力量之一。由于全球化的过程，世界经济已变得更加融合（Neuland＆Hough，1999）。Redding（1999）将全球化定义为商品，服务和资本市场之间不断增长的整合。全球化在广义上意味着通过技术，贸易和资本的流动，全球经济和社会的融合。整合生产，加速跨境投资和更多的贸易是该过程的逻辑结果。尽管大多数人似乎都同意全球化是什么，但没有精确或最佳的
大脑与行为导论 第 6 版 pdf
Bob Garrett 目前是加州州立理工大学圣路易斯奥比斯波分校的访问学者。此前，他曾在印第安纳州的德堡大学担任过多个职位，包括心理学系主任和学术事务临时院长。Garrett 的教育背景包括德克萨斯大学阿灵顿分校（文学学士）、贝勒大学（文学硕士和哲学博士）学位，并在贝勒大学医学院和航空医学研究实验室接受过额外培训。Garrett 居住在圣路易斯奥比斯波附近与其他家庭共享的 3,200 英亩牧场上，他的儿子 Geoffrey 和 Michael 以及孙辈 Evan、Naomi 和 Talia 也住在附近。Gerald (Jerry) Hough 目前是新泽西州罗文大学生物科学与心理学系的副教授。他教授过各种课程，包括解剖学、动物行为、研究方法、精神药理学和学习，并重点研究鸟类行为的进化基础。随后，本文开始讨论行为神经科学及其各个章节，包括神经系统内的交流、神经系统的组织和功能、药物和成瘾、动机和情感、性别和性别认同的生物学、情感和健康、听觉和语言、视觉和视觉感知、身体感官和运动、学习和记忆。本文讨论的教授在各自的领域做出了重大贡献。第 13 章探讨智力和认知功能，讨论智力缺陷和障碍的性质和生物学起源。本章之后是另一章，探讨焦虑、创伤和压力相关疾病等心理障碍。第 15 章深入探讨睡眠和意识，重点关注这些现象的神经基础。前一章讨论了学习过程中大脑变化背景下的学习缺陷和障碍。本文重点介绍了 Bryan Kolb 的研究和成就。他是莱斯布里奇大学神经科学理事会主席，从事有关神经元对激素、经验和伤害等因素的反应变化的各种研究。他的工作成果获得了多项著名奖项，并成为著名科学组织的会员。Ian Q. Whishaw 的研究还侧重于大脑功能和运动，特别强调啮齿动物和人类的运动细节如何受到伤害或疾病的影响。他的研究和成就使他成为多个科学机构的研究员，并被列入被引次数最多的神经科学家名单。G. Campbell Teskey 在理解运动皮层发育和可塑性以及癫痫发作对大脑功能的影响方面做出了重大贡献。他曾多次获得教学奖，并在其所在机构的课程开发中发挥了关键作用。在母校，他担任重要职位，负责监督教育计划。此外，他还领导着备受尊敬的 Campus Alberta Neuroscience 组织的教育委员会。闲暇时，他喜欢参加各种户外活动，例如徒步旅行、骑自行车、划皮划艇和滑雪。
使用窗口优化方法
用于深度渗透脑成像，尽管X射线计算机断层扫描和磁共振成像已被广泛使用，但由于空间分辨率相对较低，它们存在一些局限性。8，9出色的可靠性和生物相容性使聚集诱导的发射（AIE）点可用于荧光生物医学成像的出色候选物。10然而，激发或发射光的光子吸收和散射影响其穿透深度。由于吸收和散射的减少，基于第二个近红外（NIR-II）区域用于多光子荧光成像的AIE非常有希望地观察大深度大脑结构。空间取向是最重要的容器特征之一；它是诊断疾病，定位伤害和评估组织发育的指标。它也是定义纤维结构对齐的基础。11，12个先前的方法通常获得图像或感兴趣区域的平均方向，例如依赖傅立叶变换13、14或霍夫变换的技术。15 Bancelin等。16提出了一种形态的开放操作方法来实现视觉空间取向，但仅适用于相似的纤维直径。Quinn和Georgakoudi提出了一种加权定向矢量求和算法，该算法能够以2D图像的17和Liu等人获取像素方向。将此方法进一步扩展到3D表单。在这里，我们构建了一个用于大脑容器的大量成像和定向的自适应分析的系统。18的2D/3D加权矢量求和算法假定纤维结构的形态特征是相同的，并且在2D/3D图像中使用了所有光纤的固定窗口大小，最佳窗口尺寸为光纤直径的2至4倍。17，18因此，当应用于具有不同纤维厚度的复杂系统（例如脑桥梁）时，这些方法可能会降解定向确定的准确性。专门设计的AIE纳米颗粒（NP）用于获得大深度3D脑血管图像信息。最近，我们开发了一种纤维样结构内自动化的，素的厚度，并将其应用于脑血管疾病的分析。19基于厚度信息，在本研究中，我们提出了一种窗口优化（WO）方法，该方法能够显着提高2D和3D病例的空间或3D的确定精度。作为厚度确定和加权方向矢量求和算法的融合，WO方法根据纤维厚度信息可以自适应地以像素为基础优化计算参数。我们通过模拟的2D和3D光纤图像评估了该方法的表现。最后，我们通过建立从AIE辅助的体内三光子荧光（3PF）成像中获得的小鼠脑脑脑脑脑座管的大深度3D图像的方向结构来证明该系统的应用。
已向 PCAST 提交书面公众意见
能源部、国家侦察局、国土安全部、国家安全局、国务院、海军情报局）在进行国际信息交换之前。安全警告：请检查是否存在与国家安全局和国家情报局局长的权力冲突。他们控制着这些信息经过的网络。安全警告：请检查是否存在与国家安全局和国家情报局局长的权力冲突。如果您受到安全技术的控制或影响，则在审查安全程序时会产生冲突。请在整个国家安全滥用投诉审查期间做出安排，以验证其他情况。安全警告：我对国家安全局有投诉。如果您受到国家安全局安全技术的控制或影响，则在审查国家安全局程序时会产生冲突。请在整个国家安全滥用投诉审查期间做出安排，以验证其他情况。 ******包括***** ***在 AI 允许的情况下附加列出的电子邮件**** 注：****罗马天主教梵蒂冈教皇科学院 注：****美国众议院和参议院情报委员会成员（ Feinstein[Staff RW, Scheduling,Peter]、参议员 Burr[Staff Janet, Garth]、排名成员众议员 Turner[Howard,MC]、众议员 Garcia[Turner,Navarro,Brown,GH] 参议员 King[Scheduler]、参议员 Collins[Scheduling]、、参议员 Cotton[Schedule_Request]、副主席参议员 Rubio[casework,scheduling]）、主席参议员 Warner[RC]、参议员。 Risch[Renee R.] …..老成员：参议员 Lankford[Office]、前任主席 Schiff 众议员[Staff Peifer,Oinuma,Elizabeth]、（退休的资深成员 Nunes 众议员[Langer]）、注：******（其他代表）Calvert 众议员[Staff Murphy, Lansing,Jet]、Issa[veronica,mike,tyler, ]、Jeffries 众议员[Tasia,Lenderman]、Obernolte 众议员[Lorissa, Seth, Hayden ]….. 老成员和前任工作人员：Hunter 众议员[Staff Hough,Michael H.]、Calvert 众议员[Jose]、Campbell 众议员[Staff Palmer（众议员已退休且未抄送）]、Cook 众议员[Staff Wessell,HIggins]、Lowenthal 众议员[Staff Hysom]、Ryan[Steil、Clark、Katie、TW]、众议员伊萨（(前任员工)lenna、walker、jonathan）注：*****国家情报总监办公室注：*****白宫--哈里斯副总统注：*****白宫--拜登总统注：*****白宫（OSTP）科技政策办公室注：*****白宫（PCAST）总统科技顾问委员会注：****美国参议院军事委员会成员（参议员克鲁兹、参议员希罗诺、参议员科顿）…。老成员：参议员麦凯恩 [Julie,casework]，注：**** 美国众议院军事委员会成员 (, 众议员库克 [Dakota, merlene])..... 老成员：众议员亨特 [holly,Michael h,wes] 注：************ 所有美国参议院成员************** 注：******所有美国众议院成员****** 注：******所有美国最高法院成员 ************** 注：******州法院 – 加利福尼亚州：加州最高法院（邀请函、CC、laura.speed）、奥兰治县（（首席法官 Kirk H. Nakamura 通过。执行助理 Leslie Hernandez（之前为 Catalina Rogers）；首席法官 Magines 通过执行助理 Leslie Hernandez（之前为 Catalina Rogers）；人力资源人员配备），……老法官：首席法官 Borris（Staff G. Sukumar）；洛杉矶（法律书记员办公室；临时法官计划）
1653 名强迫症患者的白质扩散估计值：ENIGMA 强迫症工作组的机器学习发现
Bo-Gyeom Kim 1,148，Gakyung Kim 2,148，Yoshinari Abe 3，Pino Alonso 4,5,6，Stephanie Ameis 7,8,9，Alan Anticevic 10，Paul D. Arnold 11,12，Srinivas Balachander 13，Srinivas Balachander 13，14 Barrachander 14 Barrace，Nuaj Clolo，17，17，八点，17，16。 Ertolín5,21，Jan Carl Beucke 22,23,24，Irene Bollettini 20，Silvia Brem 25,26，Brian P. Brennan 27,28，Jan K. Buite，Calla 23，233，Rosa Calla，33 Ciullo 14，Ana Coelho 40,41,42，Beatriz Couto 40,41,42，Sara Dallaspe 4，Fernia Fernia 4，Sóniaaremin 4 40,41,42。 Hansen 48,49，Gregory L. Hanna 50，Yoshiyuki Hiran，Höxter，39，Höxöter，Marcelo 17。 1，诺伯特·卡特曼222，金曼·米纳（Kimmann Minah），622，凯瑟琳·科赫（Kathrin Koch）64,65，格尔德·克瓦尔（Gerd Kvale）48,66，66,67,68，路易莎·拉扎罗（Luisa Lazaro），5,31,32,33 Martínez，45 73，Yoshitada Masuda 74，Koji Matsumoto 74，Maria Paula Maziero 75,76，JoseM.M.Menchón4,5,6，Luciano Minuzzi 77,78，Pedro Silva Moreira 40,41,79 OTA 38,39，Jose C. Pariente 16，Chris Perriello 81，MariaPicó-Pérez40,41,82，Christopher Pittenger 10,83,84,85，Sara Poletti，20，10，10，10，Reddy Jan and Reddy Jan和van Rooij 86，Yuki Sakai Sakai 80.87，Jouny satso san.87 ITT 90，Zonglin Shen 37，Eiji Shimizu 38.39.91，Venkataram Shivakumar 92，Noam Soreni，男性，94 -95 95，Nuno Sousa 40,41,42 99,100，Philip R. Szeszko 1011，Thia Thia 2013，Thia I. Los 56，Daniela Vecchio 14，Ganesan Venkatasubramanian 13 110，Mojtaba Zarei 111，Qing Zhao 105，Xi Zhu 112,113和Enigma-Ocd工作组*，Paul M. Thompson 56，Willem B. Bruin 104,114，Guido A. Van Wingen 104,11，Pirica，Pirica，Pirica，Pirica，Pirica，Pirica，J.Faras 144，MARM MARN HEUS 144。 SH 45和Jook Cha 1,2✉
囤积症和
患有囤积症 (HD) 的患者难以丢弃物品，并且倾向于囤积大量物品，无论其实际价值如何，使生活区变得杂乱无章 (Timpano 等人，2013)。囤积症状最初被认为是强迫型人格障碍的诊断标准或强迫症 (OCD) 的症状维度。然而，大多数患有强迫症的人并没有报告明显的囤积行为 (Pertusa 等人，2010)，而患有 HD 的人通常不符合强迫症的其他症状标准 (Frost 等人，2012)。事实上，囤积和强迫症症状显示出较弱的相关性，在因子分析中，它们通常被归类为不同的维度 (Wu & Watson，2005)。因此，在《精神障碍诊断和统计手册》第五版（DSM-V）（APA，2013）中，强迫性囤积被视为强迫症谱系中的一种独立诊断。然而，HD 的病理生理学在很大程度上是未知的。大多数评估强迫性囤积神经相关性的研究都评估了强迫症患者的囤积症状（从维度角度）（Mataix-Cols 等人，2004 年；Harrison 等人，2013 年），或比较了有强迫性囤积和无强迫性囤积的强迫症样本（Saxena 等人，2004 年；An 等人，2009 年）。因此，它们不能代表没有表现出强迫症状的 HD 患者。只有最近的研究将没有强迫症的囤积者与健康对照者（HC）或没有囤积症状的强迫症患者进行了比较（Tolin 等人，2009 年，2012 年）。然而，这些研究使用的任务旨在在囤积相关决策（即丢弃物品）过程中触发复杂的情绪。因此，由于这些患者整体上缺乏激活，因此它们无法与强迫症进行有意义的比较（Tolin 等人，2012 年）。为了从神经生物学角度证实亨廷顿舞蹈症和强迫症之间的临床区别，重要的是比较两组患者在执行与强迫症病理生理相关的任务时的行为和大脑激活特征。认知控制不佳在强迫症的病理生理模型中起着重要作用，并被认为是该疾病的潜在内表型（Chamberlain 和 Menzies，2009 年）。抑制功能和注意力转换受损确实可能是强迫观念和强迫行为控制不佳的根本原因（Snyder 等人，2015 年）。已知这些执行功能由前额叶、顶叶和纹状体区域支持（Norman 等人，2016 年），这些区域在当前的强迫症神经生物学模型中处于核心地位，是皮质-纹状体-丘脑-皮质 (CSTC) 回路的一部分（Menzies 等人，2008 年；van den Heuvel 等人，2016 年）。此外，强迫症还具有过度绩效监控的特征，这可能是某些强迫症症状（例如重复检查）出现的原因（Harkin 等人，2012 年）。绩效监控与背外侧前额叶和前扣带皮层 (dlPFC 和 ACC) 有关 (Melcher 等人，2008)，神经影像学研究一致报告称，在绩效监控期间，强迫症患者的 ACC 过度激活 (Melcher 等人，2008)。因此，评估这些神经认知领域的方案可以为进一步区分亨廷顿舞蹈症和强迫症提供启示。尽管如此，之前只有两项神经影像学研究重点比较了强迫症和亨廷顿舞蹈症之间执行功能障碍的神经相关性。第一项研究评估了 Go/No-Go 方案中的反应抑制和绩效监控 (Tolin 等人，2014)，而第二项研究检查了这些相同的功能，还包括反应冲突任务 (即 Stroop) (Hough 等人，2016)。两项研究均未发现各组之间的绩效差异。在神经生物学层面，亨廷顿氏病患者在反应抑制过程中表现出与强迫症组相比明显的过度活跃，尽管研究结果的具体模式有所不同：从右中央前回的单个簇（Tolin 等人，2014 年）到
用于带电粒子跟踪的量子模式识别算法
然而，HL-LHC 的覆盖范围依赖于比 LHC 高一个数量级的亮度，这意味着每次光束碰撞时发生的额外质子-质子相互作用的数量（也称为堆积，μ）将增加 3 到 5 倍，达到每次碰撞 140 到 200 次额外的相互作用。因此，HL-LHC 的计算环境将极具挑战性，目前的预测表明，处理数据所需的计算资源将超过预算预测。用于重建带电粒子轨迹的模式识别算法是重建模拟数据和碰撞数据事件的关键挑战。模式识别算法 [5] 可大致分为全局方法或局部方法。全局模式识别方法通过同时处理来自全探测器的所有测量值来寻找轨迹。全局方法的例子包括保角映射或变换方法，如霍夫变换 [6、7] 和神经网络 [8]。局部模式识别方法根据探测器局部区域的测量结果生成轨迹种子，然后搜索其他命中点以完成轨迹候选。局部方法的示例包括轨迹道路和轨迹跟踪方法，例如卡尔曼滤波器 [9-11]。模式识别算法通常在找到种子之后的轨迹重建序列中运行。一旦通过模式识别算法识别出沉积的能量集，就可以通过拟合算法确定轨迹的参数。用于描述轨迹的参数取决于探测器的几何形状，但通常使用五个（如果包含时间信息，则为六个）参数。轨迹参数通常包括动量（与曲率成反比）、描述传播方向的角度以及用于表征起点的撞击参数。为了说明 HL-LHC 所带来的挑战，图 1 显示了每个事件的处理时间与堆积的关系，该图使用了 ATLAS 实验使用基于卡尔曼滤波器的模式识别序列记录的数据。处理时间与 μ 的增加成比例，这是模式识别算法的典型特征。在 HL-LHC 中，μ 的预期值将明显位于曲线的右侧，因此需要大量的 CPU 资源。未来的强子对撞机（例如未来环形对撞机项目中提出的强子-强子对撞机 [ 13 ]），预计会出现更多的堆积，每个事件可能最多增加 1000 次相互作用。由于这一挑战，开发用于高能物理模式识别的新算法和新技术目前是一个非常活跃的发展领域。本文概述了正在进行的研究，以确定量子计算机在未来如何用于模式识别算法。量子计算机最早是在 40 多年前提出的 [14-16]，最初的想法是开发一种利用自然界中的量子过程来更好地模拟自然的计算机。十年后，量子算法的发展引起了人们的进一步兴趣，这些算法展示了量子计算机解决经典难题的潜力，包括质数分解 [17] 和搜索算法 [18,19]。第一台量子计算机基于现有的核磁共振技术 [20-22]。最近，我们进入了所谓的噪声中型量子 (NISQ) 时代 [23]，量子计算机具有数十个逻辑量子位，可以超越当前经典计算机的能力，尽管受到显著噪声的限制。量子位是经典计算机上用于存储信息的比特的量子类似物。目前可用的量子计算机可分为量子退火器或基于电路的量子计算机。量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产目前最多 5000 个量子比特的商用量子退火器 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产商用量子退火器，目前最多有 5000 个量子比特 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM量子退火器旨在解决特定类型的问题：最小化目标函数，由于量子隧穿效应，量子退火有望更快地解决最小化问题。D-Wave 生产商用量子退火器，目前最多有 5000 个量子比特 [ 24 ]。基于电路的量子计算机可用于解决更广泛的问题，因此在概念上与当今的数字计算机更相似。它们由使用各种技术由量子比特制成的量子电路组成。目前正在探索的量子比特技术包括超导晶体管、离子阱和拓扑量子比特。例如，IBM