XiaoMi-AI文件搜索系统
World File Search SystemResNet
由于自然灾害引起的正常盐水供应链的破坏：
本文包括文献综述和人工智能（AI）心脏杂音检测模型的案例研究，以分析在低或中收入国家（LMIC）中在心血管医疗中部署AI的机遇和挑战。这项研究有两个平行的组成部分：（1）文献综述评估了AI有助于解决高收入国家和低收入国家之间的医疗保健差异的能力。讨论了机器学习模型有限部署的原因以及模型的概括。此外，文献综述讨论了新兴以人为中心的部署研究是克服部署障碍的有前途的途径。（2）在巴西农村的心脏杂音检测案例研究中开发并测试了一种预测性AI筛选模型。我们的二进制贝叶斯重新连接模型利用了患者心脏声音记录的重叠的徽标MEL频谱图，并通过XGBoost整合人口统计数据和信号特征以优化性能。这是关于模型的局限性，鲁棒性以及阻止其实际应用的障碍的讨论。还讨论了该模型和其他最先进模型的难度，还讨论了分布数据的概括。通过将案例研究的结果与文献综述的结果相结合，使用了NASSS框架来评估在低收入环境中部署AI支持的心脏杂音检测方面的关键挑战。这项研究突出了支持AI的医疗保健的变革潜力，尤其是对于低收入环境中的可负担得起的筛查系统。它还强调了有效实施和集成策略的必要性，以确保这些技术成功地部署。
在行业5.0框架下推进农业食品供应链管理：边缘-AI方法
食物浪费与气候变化之间不断增长的联系导致欧洲委员会（EC）引入了行业5.0框架，旨在通过促进可持续，以人为中心和弹性的系统来实现可持续发展目标（SDG）。沿着这些路线，人工智能（AI）被认为是这种变化的蓝图，对农业食品行业具有巨大潜力。为了加速向行业5.0的转变，提出了一个边缘AI系统。该系统通过直观识别超市货架上的架子上可用性（OSA）索引及时捕获数据，监视哪些产品的高度或低需求对有效分布。为此，设计了一个双目标模型：1）确定检测到的农业食品架的类型，2）确定OSA是否已充分库存。编译了一个原始数据集，其中包含多达16,000个图像样本的这些目标。对于第一个，深度学习（DL）是通过合理的计算时间的自定义卷积神经网络（CNN）使用的，在识别八种产品方面达到了高达99.78％的测试准确性。使用残差网络（RESNET）的转移学习（TL）的测试准确性高达98.76％，以实现OSA检测。为了模糊不同的农业食品供应链（AFSC）促进器之间的线路，将开发网络平台以直观地表示这一实时信息。该平台将用作模拟“如果”方案的交互式决策工具。从整体的角度来看，这种方法有助于建立公平的粮食安全结构，同时保持环境责任满足行业5.0支柱。
跨模态引导辅助多模态学习与双重注意用于 MRI 脑肿瘤分级
摘要 — 脑肿瘤是全球最致命的癌症之一，在儿童和老年人中非常常见。早期准确识别肿瘤类型和等级对于选择精准治疗方案起着重要作用。不同序列的磁共振成像 (MRI) 协议为临床医生提供了识别肿瘤区域的重要矛盾信息。然而，由于数据量大且脑肿瘤类型多样，人工评估既耗时又容易出错。因此，MRI 自动脑肿瘤诊断的需求尚未得到满足。我们观察到单模态模型的预测能力有限，其性能在不同模态之间差异很大，而常用的模态融合方法会引入潜在的噪声，导致性能显着下降。为了克服这些挑战，我们提出了一种新的跨模态引导辅助多模态学习，并采用双重注意来解决 MRI 脑肿瘤分级任务。为了平衡模型效率和功效之间的权衡，我们使用 ResNet Mix Convolution 作为特征提取的主干网络。此外，还应用双重注意分别捕获空间和切片维度中的语义相互依赖性。为了促进模态之间的信息交互，我们设计了一个跨模态引导辅助模块，其中主要模态在训练过程中引导其他次要模态，这可以有效地利用不同 MRI 模态的互补信息，同时减轻可能的噪声的影响。在 BraTS2018 和 BraTS2019 数据集上的实验结果证明了所提方法的有效性，其性能大大优于基于单模态的方法和几种最先进的多模态方法，在两个数据集上的 AUC 分别为 0.985 ± 0.019 和 0.966 ± 0.021。
变量：可变图像大小的视觉变压器
Vision Transformers（VIT）已成为代表学习中最新的架构，利用自我注意的机制在各种任务中脱颖而出。vits将图像分为固定尺寸的补丁，将其限制为预定义的大小，并需要进行预处理步骤，例如调整大小，填充或裁剪。这在医学成像中构成了挑战，尤其是在肿瘤等不规则形状的结构中。一个固定的边界盒子量产生的输入图像具有高度可变的前景与地面比率。进行医学图像可以降低信息并引入人工制品，从而影响诊断。因此，对感兴趣区域的裁缝量化作物可以增强特征代表能力。此外，大图像在计算上是昂贵的，尺寸较小，风险信息损失，表现出计算准确性的权衡。我们提出了Varivit，这是一种改进的VIT模型，该模型制定了用于处理可变图像尺寸的同时保持连贯的贴片大小。varivit采用新颖的位置嵌入调整大小方案，用于可变数量的斑块。我们还将在变量内实施一种新的批处理策略，以降低计算复杂性，从而导致更快的培训和推理时间。在我们对两个3D脑MRI数据集的评估中，变量超过了胶质瘤基因型预测和脑肿瘤分类中的香草vits和重新连接。它的F1得分分别为75.5％和76.3％，学习了更多的判别特征。与常规体系结构相比，我们提出的批处理策略将计算时间最多减少了30％。这些发现强调了图像表示学习中变量的功效。关键字：视觉变压器，建筑，表示，肿瘤分类
使用...
1位城市工程学院CSE助理教授2,3,4,5印度班加罗尔城市工程学院的计算机科学与工程学学生。 摘要：人工智能技术的出现刺激了各个领域的创新，废物管理也不例外。 该项目提出了一个基于AI的垃圾检测系统，旨在彻底改变各种环境中废料的识别和分类。 利用先进的计算机视觉和机器学习算法，该系统自动化垃圾检测和分类过程，从而有助于更高效，更可持续的废物管理实践。 计算机愿景的最新进展已为解决围绕废物管理的全球问题开辟了新的途径。 这项研究深入研究了计算机视觉技术，以进行精确的废物分类和识别。 主要目标是开发一种能够准确识别和分类各种废物容器的强大算法。 使用深度学习算法（例如卷积神经网络（CNN），内容提取和分类）。 数据集包含图像，描绘了各种废物类型，包括塑料，纸张，玻璃，金属和有机废物。拟议的系统涉及预处理，特征提取，分类和后处理阶段。 图像增强，归一化和降噪功能在预处理过程中增强了输入图像质量。 使用预训练的CNN模型（例如Resnet，VGG或Mobilenet）提取相关特征。1位城市工程学院CSE助理教授2,3,4,5印度班加罗尔城市工程学院的计算机科学与工程学学生。摘要：人工智能技术的出现刺激了各个领域的创新，废物管理也不例外。该项目提出了一个基于AI的垃圾检测系统，旨在彻底改变各种环境中废料的识别和分类。利用先进的计算机视觉和机器学习算法，该系统自动化垃圾检测和分类过程，从而有助于更高效，更可持续的废物管理实践。计算机愿景的最新进展已为解决围绕废物管理的全球问题开辟了新的途径。这项研究深入研究了计算机视觉技术，以进行精确的废物分类和识别。主要目标是开发一种能够准确识别和分类各种废物容器的强大算法。使用深度学习算法（例如卷积神经网络（CNN），内容提取和分类）。数据集包含图像，描绘了各种废物类型，包括塑料，纸张，玻璃，金属和有机废物。拟议的系统涉及预处理，特征提取，分类和后处理阶段。图像增强，归一化和降噪功能在预处理过程中增强了输入图像质量。使用预训练的CNN模型（例如Resnet，VGG或Mobilenet）提取相关特征。转移学习技术为垃圾分类任务优化了这些模型。分类涉及使用使用优化算法（如随机梯度下降（SGD）和ADAM）进行标记的数据训练改良的CNN模型。诸如非最大抑制（NMS）之类的后处理技术解决了生产预测并消除重复的信号。实验结果证明了该算法在准确分类和识别废物类型方面的有效性，从而对废物管理工作产生了重大贡献。未来的研究指示包括实时实施，可伸缩性以及与机器人系统的集成，用于工业和城市环境中的自主废物管理。关键字：计算机视觉，CNN模型，Python，Yolo模型，优化铝制。
能量明星单户住宅国家评估审查清单，版本3.1 / 3.2 / 3.3（修订版14）< / div>
脚注1。跟踪A - HVAC分级应使用ANSI / RESNET / ACCA / ICC 310，包括所有附录和规范性附录，并根据HCO定义的HCO计划实施了新的版本和附录，该计划已获得了房屋的认证。2。应为每个经过认证的房屋验证所有项目，并且不得使用采样协议。“评估者”一词是指完成认证所需的第三方验证的人。人应：a）为ANSI / Resnet / ICC 301定义的认证评估者或已批准的检查员，或由HCO确定的同等指定；并且，b）参加并成功完成了EPA公认的培训课程。请参阅www.energystar.gov/newhomestring。3。标题为“ n/a”的列，该列表示“不适用”的项目，应在房屋中不存在清单项目或与本地要求发生冲突时使用。4。评估者只需要一次记录建筑商的合作状态，以便评估者为他们认证的第一个房屋。5。评估者只需要一次记录其公司的合伙状态，以便评估者为他们认证的第一个房屋。6。对于除National V3.2和National v3.3以外的所有版本，2009年IECC气候区域名称均适用，如《法规》的R301节中的定义和说明。对于国家v3.2和国家v3.3，2021年的IECC气候区域名称适用，如《法规》第R301节中的定义和说明。7。请参见脚注8。8。请注意，与先前的版本相比，某些位置已转移到2021 IECC的不同气候区域。除了国家v3.2和国家v3.3以外的所有版本，建筑物的总建筑物封装UA（即，对天花板，墙壁，地板，楼板和窗帘的核算会计）应小于或等于或等于2009年IECC桌子402.1.3的UA所产生的UA，并与同一组件相同，并与其进行了认证。对于国家v3.2，总建筑物信封UA应小于或等于2021 IECC表402.1.2在2021 IECC表402.1.2乘以与要认证的房屋相同的组装区域所产生的UA。例外情况下，在01/01/2025之前允许的房屋，并使用国家v3.2进行认证：总建筑物热包膜UA应小于或等于或等于2021 IECC表402.1.2在u-acture中产生的UA总ua的105％。对于国家v3.3，在气候区1-2中，总建筑物包络TC应小于或等于108％，气候区域3 8在TC总TC中，由于使用2024 IECC表R402.1.2和该代码的方程4-1所产生的TC的总TC。UA计算应使用与ASHRAE基本原理手册一致的方法进行，并应包括框架材料的热桥接效应。钢制框架组件的计算应使用ASHRAE区方法或提供等效结果的方法，而不是串联的并行路径计算方法。请注意，U-Factor的要求适用于所有Fenestration，而SHGC仅适用于釉面部分。由法典官员指定为具有非常严重的白蚁侵扰的司法管辖区，应通过用额定房屋中规定的板绝缘R值和底部替换代码要求的R-VALUE和DEPTH来计算总UA或TC限制。如果在窗口或产品文献中未注明NFRC评级（例如，对于现场式插曲），请从表4和表10中分别从表4和10中选择U-Factor和SHGC值，2013年Ashrae基本面，第15章。在已知窗口特征列出的值（例如，框架类型，窗格数，玻璃颜色和低-E涂层的存在）中选择最高的U因子和SHGC值。以下例外适用：
基于主题无关变压器的神经语音解码，从表面和深度电极信号进行解码
摘要。目的：本研究探讨颅内电极捕获的神经信号的语音解码。大多数先前的研究只能使用 2D 网格上的电极（即脑皮层电图或 ECoG 阵列）和来自单个患者的数据。我们的目标是设计一个深度学习模型架构，可以同时适应表面（ECoG）和深度（立体定向 EEG 或 sEEG）电极。该架构应允许使用来自多个参与者的数据进行训练，这些参与者的电极位置变化很大，并且训练后的模型应该在训练期间未见过的参与者身上表现良好。方法：我们提出了一种名为 SwinTW 的新型基于变压器的模型架构，该架构可以与任意定位的电极一起工作，通过利用它们在皮层上的 3D 位置而不是它们在 2D 网格上的位置。我们使用来自单个参与者的数据训练特定于主题的模型，以及利用来自多个参与者的数据的多患者模型。主要结果：仅使用低密度 8x8 ECoG 数据的受试者特定模型在 N=43 名参与者中实现了高解码皮尔逊相关系数与地面实况频谱图 (PCC=0.817)，优于我们之前的卷积 ResNet 模型和 3D Swin Transformer 模型。在每个参与者 (N=39) 中加入额外的条带、深度和网格电极可带来进一步的改进 (PCC=0.838)。对于只有 sEEG 电极的参与者 (N=9)，受试者特定模型仍然具有可比的性能，平均 PCC=0.798。多受试者模型在看不见的参与者身上实现了高性能，在留一交叉验证中平均 PCC=0.765。意义：提出的 SwinTW 解码器使未来的语音神经假体能够利用任何对特定参与者来说临床上最佳或可行的电极位置，包括仅使用更常规的深度电极
基于主题无关变压器的神经语音解码，从表面和深度电极信号进行解码
摘要。目的：本研究探讨颅内电极捕获的神经信号的语音解码。大多数先前的研究只能处理 2D 网格上的电极（即脑皮层电图或 ECoG 阵列）和来自单个患者的数据。我们的目标是设计一个深度学习模型架构，可以同时适应表面（ECoG）和深度（立体定向 EEG 或 sEEG）电极。该架构应允许使用来自多个参与者的数据进行训练，这些参与者的电极位置变化很大，并且训练后的模型应该在训练期间未见过的参与者身上表现良好。方法：我们提出了一种名为 SwinTW 的新型基于变压器的模型架构，该架构可以利用任意位置的电极在皮层上的 3D 位置而不是它们在 2D 网格上的位置来处理它们。我们使用来自单个参与者的数据训练特定于主题的模型，并利用来自多个参与者的数据训练多患者模型。主要结果：仅使用低密度 8x8 ECoG 数据的受试者特定模型在 N=43 名参与者中实现了高解码皮尔逊相关系数与地面实况频谱图 (PCC=0.817)，优于我们之前的卷积 ResNet 模型和 3D Swin Transformer 模型。在每个参与者 (N=39) 中加入额外的条带、深度和网格电极可带来进一步的改进 (PCC=0.838)。对于只有 sEEG 电极的参与者 (N=9)，受试者特定模型仍然具有可比的性能，平均 PCC=0.798。多受试者模型在看不见的参与者身上实现了高性能，在留一交叉验证中平均 PCC=0.765。意义：提出的 SwinTW 解码器使未来的语音神经假体能够利用任何对特定参与者来说临床上最佳或可行的电极位置，包括仅使用更常规的深度电极
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。