XiaoMi-AI文件搜索系统
World File Search SystemImages
从鼠标CT扫描脑图像中学习以检测MRA-TOF人血管
摘要 - 早期关于脑血管式语义分割的研究使用了经典的图像分析方法来从图像中提取血管树。如今，深入学习的方法已被广泛利用用于各种图像分析任务。在语义细分框架中处理神经网络时的强大限制之一是需要处理地面真理分段数据集，该数据集将在其中学习任务。手动以3D体积（通常为MRA-TOF）手动分割动脉可能很麻烦。在这项工作中，我们旨在从新的角度解决血管树分割。我们的目标是从使用CT扫描的小鼠血管构建图像数据集，并以一种精确模仿人脑的统计特性的方式增强这些血管。由于其特定的采集方式，鼠标图像的分割很容易自动化。因此，这样的框架允许生成培训卷积神经网络所需的数据 - 即增强的鼠标图像和相应的地面真实分割 - 无需任何手动分割程序。但是，为了生成具有一致属性的图像数据集（与MRA图像非常相似），我们必须确保增强鼠标图像的统计属性确实与人类MRA的获取符合正确。在这项工作中，我们详细评估了在MRA-TOF上获得的人动脉与我们模型产生的“人源化”小鼠动脉的相似性。最后，一旦模型进行了正式验证，我们将使用卷积神经网络实验其适用性。
增强图书馆和信息中心：数字时代的文本和图像识别的有效方法
Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。 图书馆哲学和实践（电子杂志）。 8193。https://digitalcommons.unl.edu/libphilprac/8193Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。图书馆哲学和实践（电子杂志）。8193。https://digitalcommons.unl.edu/libphilprac/8193
基于CVAE的因果表示从视网膜底面图像学习与年龄相关的黄斑变性（AMD）预测
摘要 - 关于相对较差的预后和急性视力障碍，分析与年龄相关的黄斑变性或AMD是视网膜疾病分析中最重要的任务之一。尤其是，构建分析和预测湿AMD的方法，其特征是由于新血管形成而导致新科学家造成的快速RPE损害，数十年来一直是许多眼科医生的一项艰巨任务。最近，随着ML/DL框架和计算机视觉AI的进步，这些先前的努力现在导致了AMD预测和机制分析的急剧增强。具体来说，使用基于注意机制的CNN或XAI方法的使用在预测AMD状态和可靠解释方面会导致更高的性能。在最先进技术的使用中，这项研究实施了一种新型的潜在因果表示学习框架，以进一步增强基于AI的模型，以了解仅访问视网膜底面图像的复杂因果AMD机制，同时构建了更可靠的AMD预测模型。结果表明，基于有效的卷积VAE和GAE的显式潜在因果建模可以导致基本AMD机制的成功因果关系，同时返回基本的因果因素，这些因素可以可靠地可靠地区分正常的基础和AMD底层图像，例如诊断预测。
深度学习对Al与Att的心脏淀粉样变性MR图像
摘要：这项工作的目的是比较神经网络和经验丰富的人类读者对AL与ATT淀粉样蛋白病的心脏MR形象的分类。研究了120名患者的Cine-MR图像和GADOLIN升高（LGE）的晚期图像（70 Al和50 TTR）。VGG16卷积神经网络（CNN）接受了5倍的交叉验证过程训练，并注意训练组或测试组中给定患者的图像。通过平均每个图像获得的预测，在患者级别进行分析。Cine-CNN在AL和ATT淀粉样变性之间获得的分类精度为0.750，Gado-CNN的分类精度为0.611，人读者在0.617至0.675之间。Cine-CNN的ROC曲线的相应AUC为0.839，GADO-CNN（p <0.004 vs. Cine）为0.679，最佳人类读者的AUC为0.679（p <0.004 vs. Cine）（p <0.714）（p <0.007 vs. Cine）。使用Cine-CNN和Gado-CNN的逻辑回归，以及针对特定取向平面的分析，并未改变整体结果。我们得出的结论是，与Gado-CNN或人类读者相比，Cine-CNN导致AL和ATT淀粉样变性的明显更好地歧视，但是在视觉诊断很容易的研究中，其性能低于所报道的，目前是临床实践的次优。
通过物理积雪模型标签从卫星SAR图像中从卫星SAR图像中湿雪检测
摘要 - 卫星成像对湿积雪的检测目前是无监督的，由于难以在极端环境中收集地面真相，因此缺乏定量评估。在本文中，我们建议考虑与物理模型相关的信息，以使用合成孔径雷达（SAR）图像进行监督学习雪性能的目的。此数据集由Sentinel-1 SAR图像构造，并增强了从数字高程模型（DEM）获得的地形信息。使用Crocus物理雪模型在北阿尔卑斯山的规模上完成此数据的标签。然后，我们对标记数据集的13种组合进行了培训，这些数据集是广泛的机器学习模型，以定量确定湿积雪检测任务的最相关学习者。结果证明了不同算法之间的一致性，在将偏振法组合和地形方向数据纳入模型的输入中时，观察到了很大的改进。通过比较法国大型Rousses的验证区域上获得的湿雪地图与现有的哥白尼产品，分数雪覆盖（FSC）和SAR湿雪（SAR湿雪（SWS）），评估了在此数据集上训练的最佳算法解决方案。我们还比较了在测试区域的一个气象站获得的时间结果。结果显示，使用监督的学习方法，在熔融期间更好地表示湿积雪，以及在冬季被分类为湿的区域的减少。
一种具有自主规则学习和利用图像或文本进行泛化能力的人工智能非图灵计算机架构
自现代计算机历史开始以来，图灵机一直是大多数计算设备的主导架构，它由三个基本组件组成：用于输入的无限磁带、读写头和有限控制。在这种结构中，读写头可以读取的内容（即比特）与其写入/输出的内容相同。这实际上不同于人类思考或进行思维/工具实验的方式。更准确地说，人类在纸上想象/书写的是图像或文本，而不是它们在人脑中所代表的抽象概念。这种差异被图灵机忽略了，但它实际上在抽象、类比和概括中起着重要作用，而这些对于人工智能至关重要。与这种架构相比，所提出的架构使用两种不同类型的读写头和磁带，一种用于传统的抽象比特输入/输出，另一种用于特定的视觉输入/输出（更像是一个屏幕或一个带有摄像头观察它的工作区）。抽象比特与具体图像/文本之间的映射规则可以通过卷积神经网络、YOLO、大型语言模型等神经网络实现，准确率较高。作为示例，本文介绍了新的计算机架构（我们在此简称为“任氏机”）如何自主学习特定域中的乘法分配属性/规则，并进一步使用该规则生成一种通用方法（混合在抽象域和特定域中）来计算基于图像/文本的任意正整数的乘法。
使用图像或文本
自现代计算机历史记录的开始以来，图灵机一直是大多数计算设备的主要体系结构，其中包括三个基本组件：无限磁带用于输入，读/写头和有限的控制。在此结构中，头可以读取的内容（即位）与已编写/输出的内容相同。这实际上与人类思考或思考/工具实验的方式不同。更确切地说，人类在纸上想象/写作是图像或文本，它们不是他们在人脑中所代表的抽象概念。Turing Machine忽略了这种差异，但实际上在抽象，类比和概括中起着重要作用，这在人工智能中至关重要。与此体系结构相比，所提出的体系结构使用两种不同类型的头部和磁带，一种用于传统的抽象位输入/输出，另一个用于特定的视觉（更像是屏幕或带有相机观察的屏幕或工作区）。抽象位和特定图像/文本之间的映射规则可以通过卷积神经网络，Yolo，大语言模型等神经网络实现，其精度很高。为例，本文介绍了新的计算机体系结构（为简单起见，我们称为“ Ren Machine”）如何自主地学习特定领域中的分布属性/多重规则，并进一步使用该规则来生成一般方法（在抽象领域和特定领域中混合使用），以计算基于图像/图像/图像的任何正面整体的MUL-PISTICATION）。机器的强推理能力也证实了在平面几何形状中的定理中。此外，提出了一种基于REN机器的机器人体系结构，以解决视觉语言行动（VLA）模型在不合适的推理能力和高计算成本中所面临的挑战。
深点：利用空间上下文来增强空间转录组学预测H＆E图像
空间转录组技术仍然是资源密集型的，不太可能很快被患者护理采用。这阻碍了新型的精确医学解决方案的发展，更重要的是，将研究发现的转换限制为患者治疗。在这里，我们提出了DeepSpot，这是一个深入的神经网络，它利用病理学和空间多层组织上下文中的最新基础模型来有效地预测H＆E图像的空间转录组学。DeepSpot与以前的最新ART相比，来自转移性黑色素瘤，肾脏，肺或结肠癌患者的多个数据集的基因相关性大大改善了基因相关性。使用DeepSpot，我们生成了1 792个TCGA空间转录组学样本（3700万个斑点），黑色素瘤和肾细胞癌队列。我们预计这将是生物发现的宝贵资源，也是评估空间转录组学模型的基准。我们希望DeepSpot和该数据集将刺激计算空间转录组学分析中的进一步进步。
稳健的深度学习对象识别模型依赖于自然图像中的低频信息
机器学习模型很难推广到它们所训练的分布之外的数据。特别是，视觉模型通常容易受到对抗性攻击或常见损坏的影响，而人类视觉系统对此具有鲁棒性。最近的研究发现，将机器学习模型正则化以支持类似大脑的表示可以提高模型的鲁棒性，但原因尚不清楚。我们假设模型鲁棒性的提高部分归因于从神经表征中继承的低空间频率偏好。我们通过几种频率导向分析测试了这个简单的假设，包括设计和使用混合图像来直接探测模型频率敏感性。我们还研究了许多其他公开可用的鲁棒模型，这些模型是在对抗性图像或数据增强上训练的，发现所有这些鲁棒模型都表现出对低空间频率信息的更大偏好。我们表明，通过模糊进行预处理可以作为防御对抗性攻击和常见损坏的机制，进一步证实了我们的假设并证明了低空间频率信息在鲁棒物体识别中的效用。
超越互联网图像：评估综合到现实工业数据集的域概括的视觉语言模型
Vision语言基础模型（VLFM）显示出令人印象深刻的概括功能，使其适合域概括（DG）任务，例如合成图像的培训和对真实数据的测试。但是，现有评估主要使用由互联网图像构建的学术基准，类似于用于培训VLFM的数据集。本文评估了基于VLFM的DG算法在两个合成到实体分类数据集，Rareplanes Tiles和飞机上的性能，旨在模仿工业文本。我们的发现表明，虽然VLFMS上的基准优于随机初始化的净作品，但在这些类似工业的数据集中，它们的优势大大降低。这项研究强调了评估模型在不同的代表性数据上的重要性，以了解其现实世界的适用性和局限性。