XiaoMi-AI文件搜索系统
World File Search SystemMoradi
胸腺真菌孢子前期
1。Rowe T W，Katzourou I K，Stevenson-Hoare J O，Bracher-Smith M R，Ivanov D K，Escott-Price V. Alzheimer氏病的终身风险预测机器学习：系统评价。大脑社区2021; doi：10.1093/ braincomms/ fcab246。2。Malcangi M.基于AI的方法和技术，用于开发可穿戴设备，用于假肢和退化性疾病的预测。方法mol biol 2021; 2190：337–354。3。Chander N G，Reddy D V.牙齿牙齿牙齿追踪器，适用于阿尔茨海默氏症患者。J印度假肢2023年； 23：96–98。4。Amini M，Pedram M M，Moradi A，Jamshidi M，Ouchani M. Gc-Cnnnet：使用遗传和卷积神经网络诊断出使用PET图像诊断阿尔茨海默氏病。计算Intell Neurosci 2022; doi：10.1155/2022/7413081。5。Rabaey J M.脑机界面作为极端微型化的新边界。pp 19-24。在欧洲固态设备研究会议论文集（Essderc 2011）。2011。6。Vidal J J.朝着直接的脑部计算机通信。Annu Rev Biophys Bioeng 1973; 2：157–180。
多用途先进功能材料，第二卷
根据形态和来源，纳米级纤维素（即纳米纤维素）可分为三类，包括纤维素纳米晶体（CNC）、纤维素纳米纤维（CNF）和细菌纳米纤维素（BNC）。前两类来自植物（Yadav et al., 2021），而细菌纳米纤维素来自微生物（Ullah et al., 2017）。此外，纳米纤维素还可从藻类（Ruan et al., 2018）和动物（Bacakova et al., 2019）中获得，也可以通过无细胞酶系统合成（Kim et al., 2019）。目前，纳米纤维素的研究主要从三个方面进行：生产、品质提升和功能化，以用于各种生物技术应用。例如，植物纤维素含有木质素、半纤维素和矿物质，应将其去除以获得高纯度和质量的纳米纤维素（Ul-Islam 等，2019a）。为此，人们已开展努力来开发绿色方法，以尽量减少或避免使用木质纤维素材料水解所需的有毒化学品。另一方面，细菌生产 BNC 的产量和生产率低，生产成本高。因此，已采用菌株改良、共培养、开发工程菌株和先进反应器等多种策略来提高 BNC 的产量和生产率（Islam 等，2017；Sajadi 等，2019；Moradi 等，2021）。同时，不同的农业工业废弃物已被用作细菌生产BNC的碳源（Velásquez-Riaño和Bojacá，2017年；Ul-Islam等，2020年；Zhou等，2021年）。同样，虽然不同类型的纳米纤维素具有令人印象深刻的形态和物理化学特性并且无毒，但它们不具备材料的一些理想特性，如粘合位点、抗菌和抗氧化活性、电磁特性和催化活性，因此需要进一步改性（Picheth等，2017年；Vilela等，2019年）。由于相似的表面化学性质，所有类型的纳米纤维素都通过相同的化学策略进行改性，如酯化（Spinella 等人，2016 年）、醚化（De La Motte 等人，2011 年）、酰胺化（Kim 等人，2015 年）和氧化（Khattak 等人，2021 年），以及通过氢键、静电相互作用、亲水/疏水相互作用和 π - π 堆积进行物理改性，其中纤维素的游离 OH 基团直接与富电子的胺基、氧原子和羧基相互作用并形成氢键（Ullah 等人，2019 年）。由于不同类型的纳米纤维素具有独特的表面化学性质、多样性和令人印象深刻的特性，它们可应用于生物医学（Wang 等人，2021 年）、环境（Shoukat 等人，2019 年）、纺织（Felgueiras 等人，2021 年）、制药（Raghav 等人，2021 年）、能源（Zhang 等人，2020 年）、增材制造（Fourmann 等人，2021 年）、化妆品（Bianchet 等人，
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。
NorCAS 征文通知.pdf
成员： • Orazio Aiello，国立大学。新加坡（SG）• Janne Aikio，大学奥卢大学 (FI) • Johan Alme，卑尔根大学 (NO) • Atila Alvandpour，林雪平大学 (SE) • Paul Annus，Taltech (EE) • Snorre Aunet，NTNU (NO) • Marco Balboni，费拉拉大学 (IT) • Abdullah Baz，Umm Al-Qura 大学 (SA) • Elmars Bekecal，里士满技术大学，里士满大学 (SE) • 隆德大学 (SE) • Claudio Brunelli，诺基亚 (FI) • Luigi Carro，UFRGS (BR) • Mario Casu，都灵理工大学 (IT) • Kun-Chih (Jimmy) Chen，国立中山大学 (TW) • Yong Chen (Nick)，清华大学。 （中国） • Hans Jakob Damsgaard，诺基亚（FI） • Patricia Derler，国家仪器（美国） • Peeter Ellervee，Taltech（EE） • Diana Goehringer，德累斯顿工业大学（德国） • Gunnar Gudnason，奥迪康（丹麦） • Xinfei Guo，Mellanox TechnSEologies（美国） • Half-Houston University（美国），阿尔托大学（FI） • Shadi Harb，英特尔，（美国） • Thomas Hollstein，Taltech（EE） • Heikki Hurskainen，诺基亚（FI） • Waqar Hussain，Nordic Semiconductors（NO） • Maksim Jenihhin，Taltech（EE） • Gert Jervan，Taltech（EE） • Ted Johan SE，Gulson University（CA）nar Kjeldsberg，NTNU（NO） • Kristian Gjertsen Kjelgård，Univ.奥斯陆（挪威） • Peter Koch，奥尔堡大学（丹麦） • Selcuk Köse，大学罗切斯特 (美国) • Marko Kosunen，阿尔托大学 (FI) • Olli-Erkki Kursu，大学。奥卢 (FI) • Kimmo Kuusilinna，Nosteco (FI) • Vesa Lahtinen，诺基亚 (FI) • Yannick Le Moullec，Taltech (EE) • Pasi Liljeberg，图尔库大学 (FI) • Liang Liu，隆德大学 (SE) • Farshad Moradi，奥胡斯大学 (DK) • Ilkka Nissinen，大学。奥卢 (FI) • Sajjad Nouri (DE) • Jari Nurmi，特拉维夫大学 (FI) • Vojin G. Oklobdzija，加州大学戴维斯分校 (美国) • Milica Orlandić，挪威科技大学 (NO) • Dmitry Osipov，ITEM (DE) • Vassilis Paliouras，大学。帕特雷 (GR) • Darshika G. Perera，UCCS（美国） • Ernesto Pérez，CSEM（瑞士） • Luca Pezzarossa，DTU（丹麦） • Sebastian Pillement，Univ.南特大学 (FR) • Juha Plosila，图尔库大学 (FI) • Timo Rahkonen，奥卢大学 (FI) • Toomas Rang，Taltech (EE) • Jussi Ryynänen，阿尔托大学 (FI) • Ketil Røed，大学。奥斯陆（挪威） • Juha Röning，大学奥卢大学（FI） • Alireza Saberkari，林雪平大学（SE） • Martin Schoeberl，丹麦技术大学（DK） • Shahrian Shahabuddin，俄克拉荷马州立大学(美国) • Ibraheem Shayea，伊斯坦布尔技术大学。 (TR) • Ming Shen，奥尔堡大学（DK） • Olli Silvén，奥卢大学（FI） • Henrik Sjöland，隆德大学（SE） • Kalle Tammemäe，Taltech（EE） • Jing Tian，南京大学（CN） • Kjetil Ullaland，卑尔根大学（NO） • Vishnu Unnikrishnan，坦佩雷大学。 (FI) • Boris Vaisband，麦吉尔大学（CA） • Lan-Da Van，国立交通大学(TW) • 马克·维斯特巴卡 (Mark Vesterbacka)，林雪平大学(SE) • Seppo Virtanen，图尔库大学 (FI) • Upasna Vishnoi，Marvell Semiconductor (美国) • Roshan Weerasekera，西英格兰大学 (英国) • Avinash Yadav，Nvidia (美国) • Trond Ytterdal，挪威科技大学 (NO) • Milad Zamani，奥胡斯大学 (DK)，• Yuteng ZhouWPI（美国）• Viktor Åberg，隆德大学（瑞典）• Johnny Öberg，KTH（瑞典）