XiaoMi-AI文件搜索系统
World File Search SystemMamba
探索基础模型和...
医学分析的进步长期以来一直依赖于尖端技术和临床专业知识的交集。随着基础模型和创新深度学习体系结构的出现，该领域在解决诊断成像，治疗计划和个性化医学的挑战方面取得了显着进步。这些模型，例如SAM（段的任何模型）和Mamba等新兴体系结构等基础框架，提供了前所未有的功能来了解复杂的模式并从多模式医疗数据集中获得可行的见解。本期特刊旨在探索医学分析中基础模型和新型深度学习体系结构的变革潜力。对理论创新，实际实施或经验评估进行深入研究，尤其是那些提高临床适用性并应对诸如注释稀缺，数据可变性和多模式整合等挑战的贡献。提交有望展示优先考虑鲁棒性，可伸缩性和解释性的方法，以确保在各种医疗环境中广泛采用。Topics of interest include, but are not limited to, the following: • Development of foundational deep learning architectures tailored for medical analysis in 2D, 3D, or video data • Applications of foundational and large-scale models (e.g., SAM, Mamba) to enhance performance in multi-modal medical imaging • Advanced multi-modal techniques integrating diverse medical data (MRI, CT, X-ray, ultrasound) for comprehensive analysis • Innovative approaches to weakly supervised and semi-supervised learning for addressing annotation limitations • Cross-domain transfer learning and domain adaptation strategies to enable the adoption of models across different imaging conditions • Integration of attention mechanisms and novel processing techniques to enhance the accuracy and efficiency of medical models • Computational efficiency solutions for deploying foundational models in resource-constrained environments • Real-world clinical validation and applications of deep learning models in healthcare environments • Model interpretability and explainability techniques to make medical models more accessible to clinicians, including visualization and feature attribution tools • Development of benchmark datasets and metrics for evaluating foundational models in medical contexts Guest Editors Shaohua Wan, University of Electronic Science and Technology of China, shaohua.wan@uestc.edu.cn Stefano Berretti, University of Firenze, stefano.berretti@unifi.it Manoranjan Paul，Charles Sturt University，mpaul@csu.edu.edu.edu.au Michele Nappi，Salerno，salerno，Mnappi@unisa.it关键日期日期日期截止日期截止日期的截止日期：提交时间：2025年8月31日，第2025年8月31日，201025年10月31日，2025年10月31日，截止时间为202年3月31日，202年3月31日，202年5月31日；
ssm2mel：从EEG
摘要 - 从大脑信号中介绍语音是一个具有挑战性的研究问题，对于研究大脑的语音处理至关重要。尽管在重建受试者在单词或字母水平上使用非入侵脑电图（EEG）所感知的主体所感知的音频刺激的MEL频谱已经取得了突破，但精确地重建连续的语音特征的精确重建连续的语音特征，尤其是在微小的水平上仍然存在关键的差距。为了解决这个问题，本文提出了一个状态空间模型（SSM），以重建来自脑电图的连续语音的MEL频谱，名为SSM2Mel。该模型引入了一个新型的MAMBA模块，以有效地对EEG信号的长序列进行建模，以进行想象的语音。在SSM2MEL模型中，S4-UNET结构用于增强EEG信号的局部特征的提取，并且使用嵌入强度调节器（ESM）模块用于合并主体特定信息。实验结果表明，我们的模型在Sparrkulee数据集上达到了0.069的Pearson相关性，这比上一个基线提高了38％。索引项 - 电子皮质学（EEG），MEL频谱图，多头自我注意力，状态空间模型，想象的语音。
Cascade Residual Multiscale Convolution and Mamba- Structured UNet for Advanced Brain Tumor Image Segmentation
Abstract: In brain imaging segmentation, precise tumor delineation is crucial for diagnosis and treatment planning. Traditional approaches include convolutional neural networks (CNNs), which struggle with processing sequential data, and transformer models that face limitations in maintaining computational efficiency with large-scale data. This study introduces MambaBTS: a model that synergizes the strengths of CNNs and transformers, is inspired by the Mamba architecture, and integrates cascade residual multi-scale convolutional kernels. The model employs a mixed loss function that blends dice loss with cross-entropy to refine segmentation accuracy effectively. This novel approach reduces computational complexity, enhances the receptive field, and demonstrates superior performance for accurately segmenting brain tumors in MRI images. Experiments on the MICCAI BraTS 2019 dataset show that MambaBTS achieves dice coefficients of 0.8450 for the whole tumor (WT), 0.8606 for the tumor core (TC), and 0.7796 for the enhancing tumor (ET) and outperforms existing models in terms of accuracy, computational efficiency, and parameter efficiency. These results underscore the model's potential to offer a balanced, efficient, and effective segmentation method, overcoming the constraints of existing models and promising significant improvements in clinical diagnostics and planning.
客户政策索引 - Fairbank Equipment
12 伏泵 . . . . . . . . . . . . . . . . . . L227-L241 三通阀 . . . . . . . . . . . . . . . . . . L156-L157 Accuflow . . . . . . . . . . . . . . . . . . . . . . A307 Accuflow 零件图 . . . . . . . . . . . . . . . . S351 Ace 泵 . . . . . . . . . . . . . . . . . . . . . . . L200-L203 Ace 水箱 . . . . . . . . . . . . . . . . . . . . E108-E135 ACME 适配器 . . . . . . . . . . . . . . . . . . A320-A321 Agri-Cover . . . . . . . . . . . . . . . . . . . . . E61-E65 Agri-Inject . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L226 AgSynergy . . . . . . . . . . . . . . . . . . . . . . . . E83 气动球阀 . . . . . . . . . . . . . . . . . . . . . L161 蝶阀 . . . . . . . . . . . . . . . . . . . L161 截止阀 . . . . . . . . . . . . . . . . . ...L294 空气压缩机...........................................................................................................................................................................................E103 Amity 土壤探头.......................................................................................................................................................................................E82 氨水泵.......................................................................................................................................................................................A327-A329 氨水拖车.......................................................................................................................................................................................................E48-E51 氨水阀门....................................................................................................................................................... . . . .A313-A318 角阀 . . . . . . . . . . . . . . . .A315 围裙 . . . . . . . . . . . . . . . . . .L246 止回阀 . . . . . . . . . . . . . . . . . L154-L160 Band-It 夹具和工具 . . . . . . . . . . . .
![arxiv：2403.16520v1 [CS.CV] 2024年3月25日](/simg/8\8cb841217ed2eb429029410da59fc3a242748727.webp)
arxiv：2403.16520v1 [CS.CV] 2024年3月25日
摘要。阿尔茨海默氏病（AD）是一种无法治愈的神经退行性疾病，导致认知和功能恶化。鉴于缺乏治愈，及时和精确的AD诊断至关重要，这是一个取决于多个因素和多模式数据的复杂过程。尽管已经做出了将多模式表示学习整合到医疗数据集中的成功努力，但对3D医学图像的关注很少。在本文中，我们提出了对比度的蒙版VIM AU-TOENCODER（CMVIM），这是针对3D多模式数据量身定制的第一种有效表示学习方法。我们提出的框架建立在蒙版的VIM自动编码器上，以学习3D医学图像中包含的统一的多模式代表和长依赖性。我们还引入了一个模式内对比度学习模块，以增强多模式VIM编码器的可容纳性，以建模相同模态中的判别特征，并提高模式间的对比度学习模块，以减轻模态之间的误匹配。我们的框架由两个主要步骤组成：1）将视觉MAMBA（VIM）纳入掩码自动编码器中，以有效地重建3D掩盖的多模式数据。2）将多模式表示与模式内和模式间方面的对比学习机制相结合。我们的框架已进行了预训练和验证的ADNI2数据集，并在下游任务上进行了广告分类验证。与其他状态方法相比，所提出的CMVIM可在2.7％的AUC性能提高。
![arxiv：2501.11949v1 [cs.lg] 2025年1月21日](/simg/5\55c62b6be522c46773f374f26b74d653fb6b59d7.webp)
arxiv：2501.11949v1 [cs.lg] 2025年1月21日
模仿世界模型推断中的实际相互作用轨迹已被证明可以提高基于模型的强化学习（MBRL）算法的样本效率。许多方法直接使用已知状态序列进行推理。但是，这种方法无法通过捕获状态之间的细微差异来提高推理的质量。很像人类如何从这种差异中推断出事件发展的趋势，在这项工作中，我们引入了基于AMBA的世界模型（GLAM），从而通过感知和预测国家之间的变化来提高推理质量。GLAM包括两个基于MAMBA的平行推理模块Gmamba和Lmamba，它们分别着重于在推理过程中从全球和Local观点感知差异。gmamba专注于识别输入序列中状态之间的变化模式，并利用这些模式来增强未来状态变化的预测。lmamba强调通过感知相邻状态的差异，强调有关未知信息的推理，例如奖励，终止信号和视觉表示。通过整合两个模块的优势，魅力四射是环境变化的较高价值变化，从而为代理提供了更有效的基于想象力的训练。我们认为，我们的方法在Atari 100k基准上的非恶意人类得分中的现有方法优于现有方法。
J-BHI 特刊“面向医疗保健的生物医学信号基础模型”
人工智能 (AI) 和医疗保健的快速发展为工程师、计算研究人员和医学专家提供了大量机会，可以开发用于健康监测、医疗诊断和治疗建议的创新算法，最终使医生和患者都受益。心电图 (ECG)、脑电图 (EEG) 和肌电图 (EMG) 等生物医学信号在各种健康状况的无创监测和诊断中起着至关重要的作用。这些生物医学信号富含临床有用的信息，分别反映了心脏、大脑和肌肉的潜在生理和病理状态。人工智能与这些信号的结合为提高医疗评估的准确性、效率和可及性开辟了新途径。例如，在心电图领域，基于人工智能的算法可以自动检测一些心律失常和异常，准确度接近专家级。然而，开发使用生物医学信号的可靠人工智能驱动诊断工具仍然面临着噪声、干扰、伪影以及对长期数据流进行稳健处理的需求等挑战。人工智能的最新进展，包括大型语言模型 (LLM)、Mamba 神经网络和生成式人工智能，为开发先进的神经网络模型以应对生物医学数据挑战开辟了新的机会。作为这一跨学科领域的基石，基础模型可以作为复杂的框架，整合大量生物医学信号数据，并能够创建更精确、更具体、更个性化的预测、诊断和治疗工具，从而有可能彻底改变诊断和监测领域。本期特刊旨在探索人工智能在人类医疗保健生物医学信号分析方面的最新进展和应用，这将为基础模型铺平道路。我们诚邀原创研究文章、评论和案例研究，涉及但不限于以下主题：
太空服务、装配和制造 (ISAM) 现状
本文件中使用的首字母缩略词和缩写定义如下。 AC-10 Aerocube-10 ACCESS 可直立空间结构装配概念 ACME 带移动炮位增材制造 AFRL 空军研究实验室 AMF 增材制造设施 AMS Alpha 磁谱仪 ANGELS 本地空间自动导航和制导实验 ARMADAS 自动可重构任务自适应数字装配系统 CHAPEA 机组人员健康和表现模拟 CNC 计算机数控 DARPA 国防高级研究计划局 Dextre 特殊用途灵巧机械手 EASE 舱外活动结构组装实验 EBW 电子束焊接 EELV 改进型一次性运载火箭 ELSA-d Astroscale 演示报废服务 ESPA EELV 二级有效载荷适配器 ETS 工程测试卫星 EVA 舱外活动 EXPRESS 加快空间站实验处理 FARE 流体采集和补给实验 FDM 熔融沉积成型 FREND 前端机器人启用近期演示 GaLORE 从风化层电解中获取的气态月氧 GEO 地球静止轨道 GOLD 通用锁存装置 HST 哈勃太空望远镜 HTP 高强度过氧化物 ISA 空间组装 ISAM 空间维修、组装和制造 ISFR 现场制造和维修 ISM 空间制造 ISRU 现场资源利用 ISS 国际空间站 ISSI 智能空间系统接口 JEM 日本实验模块 JEM-RMS 日本实验模块遥控操作系统 LANCE 用于施工和挖掘的月球附着节点 LEO 低地球轨道 LH2 液氢 LINCS 本地智能网络协作系统 LOX 液氧 LSMS 轻型表面操纵系统 MAMBA 金属先进制造 机器人辅助组装 MER 火星探测探测器
ACMD——合成大麻素受体激动剂（SCRA）
1. 引言 1.1. 合成大麻素受体激动剂（SCRA）是刺激体内内源性大麻素受体的化学物质，该受体负责介导四氢大麻酚（THC）的药理作用，四氢大麻酚是大麻的主要活性成分。它们有时被称为合成大麻素，但这一术语具有误导性，因为有些例子在结构上与天然存在的大麻素化合物没有关系。第一批 SCRA 是在 20 世纪 80 年代为研究大麻素受体药理学和探索与大麻素受体系统相互作用的药物的治疗潜力而创建的。 1.2. 由于网上可获得的已发表研究报告和描述其合成的专利越来越多 [Norman et al., 2020]，这些化合物的娱乐性使用在 2000 年代中期在欧洲实现商业化，在 2000 年代后期在美国实现商业化 [White, 2017; EMCDDA, 2018a]。SCRA 以前由英国高街零售店公开销售，通常被称为“大麻用品店”。这些产品通常由注入或喷洒 SCRA 的惰性草药材料组成，通常被称为“香料”，具体产品以精美的包装出售，使用品牌名称如 K2、Mamba、Annihilation、Pandora's Box、Clockwork Orange 和 Kronic 以及 Spice [NEPTUNE, 2015; Waugh 等人 2016; Norman 等人，2020]。截至 2020 年 3 月，全球已发现近 700 种不同的 SCRA 品牌和街头名称 [Spice Addiction Support, 2020]。在过去十年中，这些化合物是英国及其他地方最常见的新型精神活性物质 (NPS) 类型之一。1.3.英国于 2009 年、2012 年和 2016 年出台的立法对许多具体的 SCRA 实例进行了管制（见下文）。然而，不同物质的数量及其化学复杂性使药物化学家可以合成出逃避基于化学结构的法律的实例。截至 2020 年 8 月，欧洲已通过分析鉴定出近 200 种不同的 SCRA 化合物并报告给欧洲药物滥用监测中心。还有许多进一步进行结构修改的机会，并且未来还可能出现许多其他类似物 [Potts 等人，2020 年]。1.4. 2016 年 5 月颁布的《精神活性物质法案》（PSA）禁止生产和供应包括 SCRA 在内的精神活性物质，禁止公开销售并大大减少了一般人群的使用 [内政部，2018 年]。虽然有证据表明自 2016 年以来娱乐性使用量有所下降，但特定用户群体的使用率仍然很高，媒体报道称英国主要城市和监狱中出现了“香料流行病” [Gray 等人，2020 年]。这些物质在无家可归者和囚犯等弱势群体中已成为强效廉价麻醉品的名声，他们使用它们的部分原因是它们的“麻木”效果 [EMCDDA，2018b；Gray 等人，2020]。1.5. 2018 年 11 月，议会讨论了重新分类 SCRA 的可能性，当时的警务和消防部门部长承诺
卢旺达能源集团有限公司
在发电方面，总装机容量从 228.418 兆瓦增加到 238.37 兆瓦。增加的容量来自 Nyirabuhombohombo 微型水电站从 0.5 兆瓦升级到 0.65 兆瓦（增加 0.15 兆瓦），以及 Giciye III（9.8 兆瓦）的调试。最高年度峰值需求为 2021 年 4 月观测到的 164.4 兆瓦，而 2020 年 2 月观测到的 151.00 兆瓦。今年的需求增长率为 8.8%，而 2019/2020 财年的需求增长率为 2.8%。截至 2021 年 6 月底，全国输电网络总长度（包括 220kV 和 110kV 线路）达到 944.39 公里。 110kV 输电线路 Bugesera Bugesera 工业园区于 2020 年 10 月投入使用，为网络增加了 23.1 公里。由于纠正了错误，尤其是纠正了现有输电线路及其长度列表中的重复计算，报告的网络长度从 2020 年 6 月报告的 1,285.62 公里减少到 944.39 公里。另一方面，Mamba、Rwabusoro、Bugesera 和 Rubavu 临时变电站 4 个以及 30/30kV Camp-Belge 变电站投入使用，使总数达到 37 个变电站，包括位于发电厂的 5 个开关站。配电网总长度增加，中压线路总长度达到 677.76 公里，低压线路总长度达到 1,225.35 公里，使配电网总长度从 25,314.7 公里增加到 27,217.9 公里，其中中压线路总长度达到 9,883.6 公里，低压线路总长度达到 17,334.3 公里。截至 2021 年 6 月底，共有 178,884 个客户接入国家电网，其中生产性用户为 1,110 个。此外，共有 72,202 户家庭接入离网电力。截至 2021 年 6 月底，电力接入率已从 2020 年 6 月底的 55.41% 增加到 64.53%。在本报告财政年度，REG/EDCL 再次将重点提高公民对使用现代烹饪技术（从传统烹饪燃料过渡）的认识，并分发了 20,568 个改良炉灶。在运营方面，电力系统性能和可靠性保持总体稳定。总网络崩溃从 2019/20 年的 5 次停电减少到 2020/201 年的 1 次停电，输电网络可用性从 2019/2020 财年的 99.37% 提高到 2020/2021 财年的 99.41%。在全国范围内，配电网性能仍然稳定，但与去年相比略有增加。系统平均中断持续时间指数 (SAIDI) 从上一年的每年 17.2 小时降至每年 18.2 小时，客户经历的平均中断次数 (SAIFI) 从每年 37 次降至每年 44 次。本财年的平均总电力损失（技术和非技术损失）从上年的19.12％上升至19.17％，但记录的金钱损失从444,517美元减少。从上年的432法国卢布增至441,882,913法国卢布。