XiaoMi-AI文件搜索系统
World File Search SystemRad
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。
GSCORE：通过3D高斯脱落的架构支撑效率的有效辐射场渲染
摘要本文介绍了GSCORE，这是一个硬件加速器单元，该单元有效地执行了使用算法优化的3D Gauss-ian剥落的渲染管道。GSCORE基于对基于高斯的辐射场渲染的深入分析的观察，以提高计算效率并将技术带入广泛采用。在此过程中，我们提出了几种优化技术，高斯形状感知的交叉测试，分层排序和下图跳过，所有这些都与GSCORE协同集成。我们实施了GSCORE的硬件设计，使用商业28NM技术进行合成，并评估具有不同图像分辨率的一系列合成和现实世界场景的性能。我们的评估要求表明，GSCORE在移动消费者GPU上实现了15.86倍的速度，其面积较小，能源消耗较低。
触觉增强的辐射场 - CVF Open Access
我们提出了一个场景表示形式，我们称之为触觉的辐射场（TARF），它将视觉和触摸带入共享的3D空间。此表示形式可用于估计场景中给定3D位置的视觉和触觉信号。我们从一系列照片和稀疏采样触摸探针中捕获了场景的tarf。我们的方法利用了两个见解：（i）基于常见的触摸传感器建立在普通摄像机上，因此可以使用多视图几何形状中的方法对图像进行注册，并且（ii）在视觉和结构上相似的场景区域具有相同的触觉效果。我们使用这些见解将触摸信号注册到捕获的视觉场景中，并训练有条件的扩散模型，该模型带有从神经辐射场呈现的RGB-D图像，生成其相应的触觉信号。为了评估我们的方法，我们收集了一个TARF的数据集。此数据集比预先持有的现实世界数据集包含更多的触摸样本，并且为每个捕获的触摸信号提供了空间对齐的视觉信号。我们揭示了跨模式生成模型的准确性以及在下游任务上捕获的视觉效果数据的实用性。项目页面：https：// dou- yiming.github.io/tarf。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
LeoLabs 宣布哥斯达黎加太空雷达“...
“哥斯达黎加太空雷达的意义是双重的，”前 NASA 宇航员、LeoLabs 联合创始人 Edward Lu 解释道。“首先，它提供了更高级别的数据，以告知和改进我们为进入低地球轨道的新兴卫星星座提供的运营服务。我们提供的每项服务，例如防撞或早期发射跟踪，都受益于哥斯达黎加太空雷达提供的额外数据。这是基础。其次，”Lu 继续说道，“与我们的其他雷达相结合，哥斯达黎加太空雷达扩展了我们提供低地球轨道中更多物体的实时地图、描述风险并将这种见解提供给我们的客户的能力。这是对太空可持续性和飞行安全的重大贡献。”
适用于 X 波段 AESA 雷达应用的 10W GaN on SiC CPW MMIC 高功率放大器，PAE 为 44.53%
本文介绍了一种用于雷达应用的新型 X 波段碳化硅 (SiC) 共面波导 (CPW) 单片微波集成电路 (MMIC) 高功率放大器 (HPA) 设计。在设计中，采用了 0.25 μ m γ 形栅极和高电子迁移率晶体管 (HEMT)，它们采用了碳化硅基氮化镓技术，因为它们具有高热导率和高功率处理能力。此外，在 8.5 GHz 至 10.5 GHz 的频率范围内，反射系数低于 -10 dB，可产生 21.05% 的分数带宽。此外，MMIC HPA 在 2 GHz 带宽内实现了 44.53% 的功率附加效率 (PAE)，输出功率为 40.06 dBm。此外，由于 MMIC HPA 具有高输出功率、宽工作带宽、高 PAE 和紧凑尺寸，因此非常适合用于 X 波段有源电子扫描阵列雷达应用。索引术语 — 有源电子扫描阵列 (AESA) 雷达、共面波导 (CPW)、碳化硅 (SiC) 上的氮化镓 (GaN)、高电子迁移率晶体管 (HEMT)、单片微波集成电路 (MMIC)、高功率放大器 (HPA)。
报告标题：Northumberland Radio Tower项目更新
3。安装和验证用于回程网络的硬件组件并优化设备（回程网络提供了每个塔楼和核心网络之间的连接）； 4。在三个位置安装新的备份发电机，以确保功率故障期间继续覆盖； 5。新系统的压力测试和调试； 6。为所有消防和公共工程部门编程寻呼机和收音机； 7。与加拿大的创新，科学和经济发展协调，以根据新系统更新许可证； 8。提供培训和井井有条的图纸；和9。安排，监督和协调拆除现有县塔。
Johnson 诉咨询放射科医生有限公司 - 0:24-cv-02535
3 医疗保健系统和医疗设备面临网络入侵风险增加以获取经济利益 (2014 年 4 月 8 日)，FBI 网络部门私营行业通知（网址为 https://info.publicintelligence.net/FBI-HealthCareCyberInpulsion.pdf）（最后访问时间为 2023 年 3 月 14 日）。