XiaoMi-AI文件搜索系统
World File Search SystemMultiscale
多尺度混合制造：体积打印与两种技术的结合
最近，一种名为体积打印 (VP) 的新型基于光的制造方法已成为此类应用的一种有前途的技术，它能够在几秒钟内打印复杂的厘米大小的模型。[26,27] 最近的研究表明，使用从玻璃到生物聚合物等材料，可以创建中空、可灌注结构，并可能针对中尺度血管系统。[28–31] 然而，与上述所有方法一样，VP 也无法覆盖从 µ m/亚 µ m 到 cm 的分辨率范围，因此目前将其应用限制在特征 > 100–200 µ m 的微流体结构上。另一种基于光的方法双光子烧蚀 (2PA) 则提供了互补功能，虽然打印时间和构造尺寸有限，但达到了所有生物制造方法中最高的分辨率（≤ 1 µ m）。 [8] 2PA 是基于高强度脉冲激光诱导的多光子电离，[32,33,34] 并且已被探索用于各种应用，从“纳米手术”到形成细胞指导微通道。[35–41]
脑切片中扩散去极化的多尺度计算机建模
图 1：扩展的多尺度模型。组织尺度：脑切片中 36 · 10 3 个神经元（粉色圆圈）中的几个浸没在浴槽中；神经胶质细胞未明确建模，而是表示为每个 ECS 体素中的汇场。细胞尺度：每个神经元都有离子通道、2 个共交换器；Na + /K + 泵（星号表示 ATP/O 2 依赖性）离子在每个神经元内混合均匀（无细胞内扩散）。蛋白质尺度：表格（右）显示控制神经元和神经胶质细胞场中内在机制活动的物种。[离子] 尺度：离子根据菲克定律在 ECS 体素之间扩散，扩散系数见表 1。
关于小儿种群骨密度，微体系结构和强度的高分辨率外周定量计算机断层扫描评估的建议
2D数字乳房摄影中微钙化（MC）的抽象准确表征是降低与不确定MC的回调相关的诊断不确定性的必要步骤。MC的定量分析可以更好地识别导管癌或浸润性癌的可能性较高的MC。 但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。 我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。 候选对象首先是使用斑点检测和黑森州分析来划定的。 回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。 该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。 然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。 我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。 与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。 使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。可以更好地识别导管癌或浸润性癌的可能性较高的MC。但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。候选对象首先是使用斑点检测和黑森州分析来划定的。回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。
社区多尺度空气质量（CMAQ）建模系统
各州使用CMAQ来制定和评估根据《清洁空气法》定义的国家环境空气质量标准（NAAQS）所需的实施措施。CMAQ模拟了关注的空气污染物，包括臭氧，颗粒物（PM）和最普遍的空气有毒物质，以优化空气质量管理。CMAQ的沉积值用于评估生态系统的影响，例如空气污染物的富营养化和酸化。此外，国家气象局使用CMAQ每天两次针对美国CMAQ的臭氧空气质量提供两次预测指南，也用于量化气候变化对空气质量和人类健康的潜在影响。
用于洪水区域测绘的低成本、多尺度和多传感器应用。
Daniele Giordan 1 , Davide Notti 1 , Alfredo Villa 2 , Francesco Zucca 3 , Fabiana Calò 4 , Antonio Pepe 4 , Furio Dutto 5 , Paolo Pari 6 , Marco Baldo 1 , Paolo Allasia 1
多光谱图像的迭代多尺度融合与夜视彩色化
1.引言多光谱图像通常提供互补信息，如可见光波段图像和红外图像（近红外或长波红外）。有强有力的证据表明，融合的多光谱图像提高了解释的可靠性（Rogers & Wood，1990；Essock 等人，2001）；而彩色多光谱图像则提高了观察者的表现和反应时间（Toet 等人，1997；Varga，1999；Waxman 等人，1996）。计算机可以自动分析灰度融合图像（用于目标识别）；而彩色图像则易于人类用户解释（用于视觉分析）。想象一下，夜间导航任务可以由配备多传感器成像系统的飞机执行。分析组合或合成的多传感器数据将比同时监测多光谱图像（如可见光波段图像（例如，图像增强，ll）、近红外（NlR）图像和红外（lR）图像）更方便、更有效。在本章中，我们将讨论如何使用图像融合和夜视彩色化技术合成多传感器数据，以提高多传感器图像的有效性和实用性。预计这种图像合成方法的成功应用将提高遥感、夜间导航、目标检测和态势感知的性能。这种图像合成方法涉及两种主要技术，即图像融合和夜视彩色化，分别在下面进行回顾。图像融合通过整合互补数据来组合多源图像，以增强各个源图像中明显的信息，并提高解释的可靠性。这样可以得到更准确的数据（Keys et al.，1990）并提高实用性（Rogers & Wood，1990；Essock et al.，1999）。此外，据报道，融合数据提供了更为稳健的操作性能，例如增加了置信度、减少了歧义性、提高了可靠性和改进了分类（Rogers & Wood，1990；Essock et al.，2001）。图像融合的一般框架可以在参考文献（Pohl & Genderen，1998）中找到。在本章中，我们的讨论重点是像素级图像融合。对融合图像质量的定量评估对于客观比较各个融合算法非常重要，它可以测量有用信息的数量和融合图像中引入的伪影数量。
DNA损伤和心脏肥大的核形态变化是由SNRK通过肌动蛋白去聚合
5药物和生物化学系，德国图宾根大学的药物基因组学与药物研究中心，德国Tübingen * *通讯作者的关键字多尺度熵，神经发育，eeg，eeg，eeg，fnirs摘要，自然界的生物学系统，例如人类大脑，包括复杂的动力学和非网络动力学。 量化信号复杂性的一种方法是多尺度熵（MSE），它适用于在不同时间尺度下具有远距离相关的结构。 在发育神经科学中，MSE可以作为大脑成熟的指数，并可以区分健康和病理发展。 在我们目前的工作中，我们根据30个同时发生的EEG - 妊娠27至34周的胎龄（WGA）探索了MSE的发育趋势。 为了探索影响MSE的潜在因素，我们确定了MSE与EEG功率谱密度（PSD）与自发活性瞬变（SATS）之间的关系。 结果，通过WGA，在脑电图上计算出的MSE增加，因此反映了脑网络中的成熟过程，而在FNIRS中，MSE降低，这可能表明脑血液供应的成熟。 此外，我们建议Beta频段（13-30 Hz）中的EEG功率可能是EEG中MSE的主要贡献者。 最后，我们强调了SATS确定MSE的重要性，该MSE是从FNIRS记录中计算得出的。 突出显示生物系统显示复杂和非线性动力学。 使用多尺度熵（MSE），我们研究了早产婴儿的同时脑电图。5药物和生物化学系，德国图宾根大学的药物基因组学与药物研究中心，德国Tübingen * *通讯作者的关键字多尺度熵，神经发育，eeg，eeg，eeg，fnirs摘要，自然界的生物学系统，例如人类大脑，包括复杂的动力学和非网络动力学。量化信号复杂性的一种方法是多尺度熵（MSE），它适用于在不同时间尺度下具有远距离相关的结构。在发育神经科学中，MSE可以作为大脑成熟的指数，并可以区分健康和病理发展。 在我们目前的工作中，我们根据30个同时发生的EEG - 妊娠27至34周的胎龄（WGA）探索了MSE的发育趋势。 为了探索影响MSE的潜在因素，我们确定了MSE与EEG功率谱密度（PSD）与自发活性瞬变（SATS）之间的关系。 结果，通过WGA，在脑电图上计算出的MSE增加，因此反映了脑网络中的成熟过程，而在FNIRS中，MSE降低，这可能表明脑血液供应的成熟。 此外，我们建议Beta频段（13-30 Hz）中的EEG功率可能是EEG中MSE的主要贡献者。 最后，我们强调了SATS确定MSE的重要性，该MSE是从FNIRS记录中计算得出的。 突出显示生物系统显示复杂和非线性动力学。 使用多尺度熵（MSE），我们研究了早产婴儿的同时脑电图。在发育神经科学中，MSE可以作为大脑成熟的指数，并可以区分健康和病理发展。在我们目前的工作中，我们根据30个同时发生的EEG - 妊娠27至34周的胎龄（WGA）探索了MSE的发育趋势。为了探索影响MSE的潜在因素，我们确定了MSE与EEG功率谱密度（PSD）与自发活性瞬变（SATS）之间的关系。结果，通过WGA，在脑电图上计算出的MSE增加，因此反映了脑网络中的成熟过程，而在FNIRS中，MSE降低，这可能表明脑血液供应的成熟。此外，我们建议Beta频段（13-30 Hz）中的EEG功率可能是EEG中MSE的主要贡献者。最后，我们强调了SATS确定MSE的重要性，该MSE是从FNIRS记录中计算得出的。突出显示生物系统显示复杂和非线性动力学。使用多尺度熵（MSE），我们研究了早产婴儿的同时脑电图。EEG中 MSE在胎龄增加，FNIRS中的MSE降低。 eeg功率谱密度和自发活性瞬变有助于MSE。MSE在胎龄增加，FNIRS中的MSE降低。eeg功率谱密度和自发活性瞬变有助于MSE。
用于多尺度设计和制造的优化定制旋节线结构材料
需要支持多种机械和生物功能（如实现液体运输、促进再生和修复、抵抗不确定和随时间变化的机械需求）。[1–3] Wolf-Roux（机械稳态）定律表明，骨骼会随着机械需求的变化而沉积或吸收，[1,4,5] 指出优化在多尺度材料和结构的自然设计中发挥着作用。因此，结构优化是追求性能优化的仿生工程系统的一种很有吸引力的策略；然而，自然界中观察到的一系列功能极难完全融入基于优化的工程设计过程中。在这里，我们赋予结构优化方法和旋节线结构材料，这些材料模仿自然界中观察到的几种微观结构特征，这样我们就可以直接以设计中的刚度和轻量化为目标，并间接促进由微观尺度上的旋节线孔隙度和随机性促进的其他机械和生物功能。图1显示了在几种生物系统中观察到的微结构，这些微结构具有不同的孔径、孔形、密度和方向偏好，这些特征可以通过旋节线结构材料轻松模仿。旋节线结构材料是通过将旋节线相分解中的一个相解释为微结构材料而获得的。它们的非结构化、随机微结构特征已被证明可实现理想的工程性能（例如高机械弹性[9]、高能量吸收[10]和对缺陷不敏感[11]），这些性能通常超过结构化结构材料（例如桁架和板晶格）。此外，以高斯随机场（GRF）形式对旋节线相分解进行函数近似[12,13]可以广泛可调微尺度各向异性和孔隙率，从而实现显著的微结构设计自由。 [6] 底层函数表示也使得在任意方向和孔隙度的不同旋节线类（例如，图 1 中所示的各向同性、立方、层状和柱状结构）之间转换变得轻而易举。因此，旋节线结构材料为工程部件提供了一种途径，这些部件具有嵌入的、空间变化的微尺度特征，与结构化结构材料相比，这些特征提高了工程性能并增强了可制造性。旋节线结构材料的制造多功能性还使人们能够回归经典的多尺度
多尺度建模和实验的观点加速了聚变材料的开发
a 岛根大学工业创新组织下一代 TATARA 联合创造中心，日本松江 b 田纳西大学诺克斯维尔分校，美国田纳西州诺克斯维尔 c 阿利坎特大学科学学院，第二阶段，应用物理系，西班牙阿利坎特 d 英国原子能管理局，卡勒姆聚变能源中心，卡勒姆科学中心，阿宾登，奥克森，OX14 3DB，英国 e 密歇根大学核工程与放射科学系，密歇根州安娜堡，48109，美国 f 巴黎萨克雷大学，CEA，金属冶金物理研究中心，91191，伊维特河畔吉夫，法国 g 太平洋西北国家实验室，华盛顿州里奇兰，美国 h 橡树岭国家实验室材料科学与技术部，田纳西州橡树岭 37831，美国 i Forschungszentrum J¨ulich GmbH，能源和气候研究所，52425 J¨ulich，德国 j 国立核能研究大学莫斯科工程物理学院，Kashirskoe sh.31，115409，莫斯科，俄罗斯联邦 k 加利福尼亚大学材料科学与工程系，美国加利福尼亚州洛杉矶 l 克莱姆森大学机械工程系，美国南卡罗来纳州克莱姆森 29623 m 克莱姆森大学材料科学与工程系，美国南卡罗来纳州克莱姆森 29623 n 密歇根大学材料科学与工程系，美国密歇根州安娜堡 48104 o 瑞典皇家理工学院核工程系，SE106 91 斯德哥尔摩，瑞典 p 麻省理工学院，美国马萨诸塞州剑桥 q 日本原子能机构，日本茨城县中郡东海村 r 材料科学与化学工程系，石溪大学，石溪，纽约，美国
用于高光谱图像分类的多尺度动态图卷积网络
摘要 —卷积神经网络（CNN）在高光谱图像表示方面表现出色，并在高光谱图像分类中取得了良好的效果。然而，传统的 CNN 模型只能对具有固定大小和权重的规则方形图像区域进行卷积，因此，它们不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面。为了弥补这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里得数据进行卷积，适用于由图拓扑信息表示的不规则图像区域。与常用的在固定图上工作的 GCN 模型不同，我们使图能够动态更新