XiaoMi-AI文件搜索系统
World File Search SystemSSIM
空间脑部 MRI 滤波方法分析......
非线性滤波器用于滤除 MR 数据中的伪影和噪声。信号保存和降噪之间的平衡使 MR 数据恢复成为一项复杂的任务。应用非线性滤波器（例如中值和非局部均值滤波器 (NLM) 滤波器）将右偏 Rician 分布转换为非偏高斯分布。NLM 滤波器比双边和中值滤波器提供更好的结果。由于应用非线性滤波器后分布不偏斜，因此应用了标准线性滤波器（例如高斯滤波器和维纳滤波器）并得出结果。NLM 和高斯滤波器的线性组合给出了令人满意的结果。对 40 张临床图像进行了实验，发现 NLM 滤波器具有最佳效果。用于比较的图像质量指标是峰值信噪比 (PSNR)、均方根误差 (RMSE)、结构相似性指数 (SSIM) 和熵。实验是在 MATLAB 2020a 上进行的。
SPIE 会议纪要
高光谱成像 (HSI) 可获取多达数百个波段，已被提议作为一种超越 RGB 成像的数字化组织学成像方式，以提供更多定量信息来协助病理学家检测样本中的疾病。虽然数字化 RGB 组织学相当标准化且易于获取，但与 RGB 相比，组织学 HSI 通常需要定制设备和更长的成像时间。在这项工作中，我们提供了相应的乳腺癌 RGB 数字化组织学和组织学 HSI 数据集，并开发了一个条件生成对抗网络 (GAN)，从正常细胞和癌细胞的标准 RGB 图像中人工合成 HSI。GAN 合成的 HSI 的结果很有希望，显示结构相似性 (SSIM) 约为 80%，平均绝对误差 (MAE) 为 6% 到 11%。需要进一步研究以确定在更大的数据集上从 RGB 图像生成 HSI 的能力。
通过缺失模态合成和模态级注意力融合进行多模态脑肿瘤分割
摘要 —多模态磁共振 (MR) 成像为诊断和分析脑胶质瘤提供了巨大潜力。在临床场景中，常见的 MR 序列（例如 T1、T2 和 FLAIR）可以在单次扫描过程中同时获得。然而，获取对比增强模态（例如 T1ce）需要额外的时间、成本和注射造影剂。因此，开发一种方法来合成不可用的模态具有临床意义，这些模态也可以用作下游任务（例如脑肿瘤分割）的额外输入以提高性能。在这项工作中，我们提出了一个端到端框架，称为模态级注意力融合网络 (MAF-Net)，其中我们创新地进行逐块对比学习以提取多模态潜在特征并动态分配注意力权重以融合不同的模态。通过在 BraTS2020 上进行大量实验，发现我们提出的 MAF-Net 具有优异的 T1ce 合成性能（SSIM 为 0.8879 和 PSNR 为 22.78）和准确的脑肿瘤分割（在分割肿瘤核心、增强肿瘤和整个肿瘤方面的平均 Dice 分数分别为 67.9%、41.8% 和 88.0%）。
双线性和最近邻的比较分析
像素转换在图像处理中至关重要，很大程度上取决于插值方法来确保平滑度和清晰度。这项工作重点关注两种广泛使用的图像插值技术：最近邻插值和双线性插值，这两种技术都是使用集成软件代码实现的。我们的方法使每种插值技术都可以独立应用，从而可以直接比较它们的性能。为了对每种插值方法进行全面评估，我们使用了一组基本质量评估指标：峰值信噪比 (PSNR)、结构相似性指数 (SSIM)、灰度分析和均方误差 (MSE)。选择这些指标是为了对图像清晰度、结构准确性和整体视觉质量进行平衡评估。本研究的结果对每种插值技术的优势和局限性进行了详细分析。这些发现旨在帮助研究人员和从业者根据他们在图像处理领域的特定要求选择最合适的插值方法。通过提供比较框架，这项工作通过增强评估和优化数字成像应用中的图像质量的方法来为该领域做出贡献。
加泰罗尼亚的自动化决策
大量可用的个人数据加剧了技术对人们生活的影响。换句话说，它允许他们为我们提供的服务具有高度的个性化。从新闻案例中可以明显看出这一点。以前，我们可以根据报纸或新闻节目的社论内容来选择报纸或新闻节目。现在有移动应用程序、新闻推荐器或社交网络（谷歌新闻、Facebook、Twitter）可以根据每个人的个人资料调整信息。其目的无非是通过仅向用户展示他们感兴趣的信息来改善用户体验，以建立他们的忠诚度。
MEVO-GAN：用于水下图像增强的多尺度进化生成对抗网络
摘要：在水下成像中，实现高质量的成像是必不可少的，但由于诸如波长依赖性吸收和复杂的照明动力学之类的因素而具有挑战性。本文介绍了MEVO-GAN，这是一种新颖的方法，旨在通过将生成性对抗网络与遗传算法相结合来解决这些挑战。关键创新在于将遗传算法原理与生成对抗网络（GAN）中的多尺度发生器和鉴别器结构的整合。这种方法增强了图像细节和结构完整性，同时显着提高了训练稳定性。这种组合可以对溶液空间进行更有效的探索和优化，从而减少振荡，减轻模式崩溃以及对高质量生成结果的平滑收敛。通过以定量和定性的方式分析各种公共数据集，结果证实了Mevo-GAN在改善水下图像的清晰度，颜色保真度和细节准确性方面的有效性。在UIEB数据集上的实验结果非常明显，Mevo-GAN的峰值信噪比（PSNR）为21.2758，结构相似性指数（SSIM）为0.8662，为0.6597。
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
图像去除算法的概述
摘要。在本文中，我们介绍了对所有最先进的算法进行的广泛研究，这些算法已在图像中发表的所有最新算法使用深度学习以消除合成和现实世界的图像。我们进一步根据所有论文和这些论文中报道的数据取得的各种参数来评估所有这些算法。本文旨在比较所有这些算法，并阐明本研究范围中所有算法的局限性。在2000年代初期到2021年的审查范围内包含的论文。每篇论文中的方法从生成的逆向网络的使用到零拍摄成像以及使用卷积神经网络到采用传统的使用暗通道先验来改善所获得的结果的传统方法。我们已经列出了在本研究中包括的所有论文中记录的结果。论文已根据公共图像参数进行评估，例如峰信号与噪声比（PSNR）和结构相似性指数（SSIM）。最后，我们查看在所有这些领域中都能单独执行最好的算法以及最佳表现算法。
使用机器学习进行量子图像去噪
量子图像处理 (QIP) 是一个旨在利用量子计算的优势来处理和分析图像的领域。然而，QIP 面临两个挑战：量子比特的限制和量子机器中噪声的存在。在本研究中，我们提出了一种新方法来解决 QIP 中的噪声问题。通过训练和使用机器学习模型来识别和校正量子处理图像中的噪声，我们可以补偿机器引起的噪声并以更高的效率检索类似于传统计算机执行的处理结果。该模型通过学习由现有处理图像和来自开放获取数据集的量子处理图像组成的数据集进行训练。该模型将能够为我们提供每个像素的置信度及其潜在的原始值。为了评估模型在补偿 QIP 中的损失和退相干方面的准确性，我们使用三个指标对其进行评估：峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和平均意见分数 (MOS)。此外，我们还讨论了我们的模型在各个领域的适用性以及与其他方法相比的成本效益。
ECGI没有几何形状：基于深度学习的心脏表面电位
我们开发了一个深度学习框架，以估计仅从身体表面潜力和躯干几何形状的心脏表面电位，因此省略了有关心脏几何形状的信息。该框架基于图像到图像的翻译，并介绍了三个组合：将3D躯干和心脏几何形状转换为相应的标准2D表示，以及基于Pix2Pix网络的自定义深度学习模型的效率。使用11名健康受试者和29个ID型心室心室纤颤（IVF）患者，其框架的平均绝对误差（MAE）的平均平均绝对误差（MAE）为0.012±0.011，平均相似性指数量度（SSIM）为0.984±0.026。For the concatenated electrograms (EGMs), the average MAE was 0.004 ± 0.004, and the average Pearson correlation coefficient (PCC) 0.643 ± 0.352.估计激活和恢复时间之间时间差的绝对平均值为6.048±5.188毫秒，而18.768±17.299 ms，分别是分数。这些结果证明了与标准心电图相当的性能而无需CT/MRI，这表明该框架的潜在临床应用。