XiaoMi-AI文件搜索系统
World File Search SystemSegmentation
相似性量化的相对差异学习改善了分子活性预测
低温电子断层扫描（Cryo-ET）是一种生产细胞环境的高度脱尾3D图像（称为断层图）的技术。Cryo-Et通常是唯一可以在其天然环境中实现蛋白质和细胞结构几乎原子分辨率的技术。针对蛋白质结构确定的低温 - 肛门肛门技术的基本步骤是找到pogractions中感兴趣的蛋白质的所有实例，这是一种称为粒子拾取的任务。由于信噪比较低，靶蛋白的伪像的存在和巨大的多样性，颗粒拾取是一个具有挑战性的3D对象检测问题。现有的粒子采摘方法要么慢，要么仅限于选择一些感兴趣的小部分，这需要大量注释且难以获得训练数据集。在这项工作中，我们提出了Propicker，这是一种快速和通用的粒子采摘器，可以检测到训练集中包含的颗粒，并且可以在几分钟内处理断层图。我们的迅速设计允许根据输入提示选择性地检测体积中的特定蛋白质。我们的经验表明，培养基可以与最先进的通用拾取器达到相同的性能，同时更快地达到数量级。
使用 U-Net 自动分割胃肠道
摘要 — 医学图像处理极大地改变了医疗保健的格局，特别是在各种疾病的诊断和治疗方面。胃肠道 (GI) 癌症已成为一个快速增长的问题，估计每年报告的新病例有 500 万例。为了达到这种精度，医疗保健专业人员现在利用尖端的磁共振成像 (MRI) 模式，即 MR-Linacs，它可以提供肿瘤位置的每日视图。然而，这一过程中的一个瓶颈出现在从获得的医学图像中手动分割处于危险中的健康器官（如胃和肠）的过程中。这项由放射科医生执行的任务非常耗时，可能会大大延长治疗时间，从而加剧患者的痛苦。因此，胃肠道分割的自动化可以无缝地帮助肿瘤学家。我们的研究提出了一种自动分割胃肠道的模型。本研究提出了一个 U-Net 模型，可以从 MRI 扫描中分割胃和肠。该数据集来自威斯康星大学麦迪逊分校卡博内癌症中心，包含用于训练注释的 RLE 编码掩码以及 16 位灰度 PNG 图像。每个病例包含多个扫描切片，按时间或整个病例分割。我们的方法使用了 U-Net 上的各种损失函数组合来提高胃肠道自动分割的准确性和效率。与其他损失函数相比，我们的模型使用 Dice+BCE 损失函数实现了较高的准确性。在训练数据集上，采用 Dice+BCE 损失函数的 U-Net 模型获得了最高的骰子分数 0.9082 和 IOU 分数 0.8594。在验证数据集上，该模型的骰子分数为 0.8974，交并比 (IoU) 分数为 0.8181。这项研究有助于解决与手动胃肠道分割相关的挑战，通过使用深度学习技术进行自动分割提供了可行的解决方案。关键词 — 磁共振成像 (MRI)、组合损失函数、U-Net、威斯康星大学麦迪逊分校 Carbone 癌症中心、胃肠道分割
填充胎儿心率信号：基于维度结构和周期分段的扩散模型
摘要 - 心率（FHR）信号被广泛用于多普勒胎儿心脏监护仪中。但是，不完整的FHR信号降低了胎儿心率监测的有效性。填充丢失的数据是提高FHR质量的关键技术，但是现有的填充算法缺乏考虑FHR信号的相关性。因此，我们专注于与FHR相关的两个相关性，并提出了一种填充算法，称为FHR中缺少数据插补的扩散模型（DMDI-FHR）。首先，我们构建了双维样品构建（DDSC）方法，该方法发现了两个FHR信号，并最大程度地提高了它们之间形成相关性的差异。其次，引入了多周期分解（MPD）方法以获得FHR信号的内部相关性。最后，DMDI-FHR算法基于扩散模型控制填充过程。实验结果证明了DMDI-FHR算法的性能，该算法提供了提高FHR信号质量的有效方法。
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。
鸟类眼睛视图语义分割
对环绕声的语义的空间理解是自动驾驶汽车需要安全驾驶决策所需的关键能力。最近，纯粹基于视觉的解决方案已增强了研究的兴趣。在特定的方法中，从多个摄像机中提取鸟类视图（BEV）的方法表现出了很好的空间理解性能。本文介绍了学习的位置编码的依赖性，以将基于变压器的甲基化的图像和BEV特征映射元素关联。我们提出利用外两极的几何约束，以模拟相机注意场与BEV之间的关系。它们被纳入注意机制中，作为一种新的归因术语，是学习位置编码的替代方案。实验表明，与隐式学习摄像机配置相比，我们的方法的大鹰队以2％MIOU的方式优于2％MIOU的BEV方法，并且具有出色的概括能力。
使用毕达哥拉斯模糊集对阿尔茨海默病 MRI 脑部进行分割
阿尔茨海默病 (AD) 是一种退行性且最终致命的脑部疾病，目前尚无治愈方法。这种神经系统疾病病因复杂，会导致痴呆和认知能力下降，由于脑部 MRI 图像存在差异，包括大小、形状和脑脊液流量的差异，因此很难识别。虽然 AD 没有治疗方法，但通过早期诊断可以减缓其进展。许多研究人员已经采用基于图像处理的技术，根据脑部图像区分正常患者和 AD 患者。然而，大脑的各个区域通常看起来非常相似，因此很难精确定位特定区域，而且在提取精确区域时总会存在一些不确定性。文献中提出了各种模糊 c 均值和直觉模糊 c 均值 (IFCM) 方法来处理这种模糊性和不确定性。相比之下，毕达哥拉斯模糊集 (PFS) 提供了一种更精确的验证成员资格的方法，使其成为管理不确定性的有效工具。作者分析了 PFS，并应用模糊 c 均值提出了毕达哥拉斯模糊 c 均值 (PFCM)。此外，还使用了基于直方图的初始质心来避免许多聚类算法中常见的局部最小值问题。由于结合了初始质心和基于 PFS 的聚类，所提出的聚类算法表现出了更好的性能，在不到 1.5 秒的时间内完成执行。所提出的方法在检测脑组织时实现了高准确率：白质 (WM) 为 98.64%，灰质 (GM) 为 97.4%，脑脊液 (CSF) 为 98.14%。
使用4D雷达和视觉融合增强了3D对象检测，并进行分割辅助
4D雷达对复杂的照明和不利天气条件表现出鲁棒性，与3D目标检测相比提供了独特的数据特征。但是，由于4D雷达点云的稀疏性，大多数3D目标检测算法的性能受到限制。为了解决这个问题，本文提出了一个基于细粒点云segmentation的3D对象检测模型。我们的方法首先使用雷达参考点模块丰富了点云数据，以补偿其稀疏性。然后将点云呈现，并通过简单的分割网络提取语义信息。最后，通过使用注意机制融合点云特征和半信息来实现3D对象检测。在VOD数据集上进行的广泛实验表明，我们的模型达到了平均平均精确度（MAP），比验证集的基线高5％，自行车的4％显着提高，山雀的改善为8％。这些结果通过基于激光雷达的模型缩小了性能差距，突出了我们分割辅助检测方法的效果。源代码可在https://github.com/huniki/rvasanet.git.git
边缘感知的双分支网络用于核实例分割
摘要 - 在移动医疗保健和远程诊断中，核分割是病理分析，诊断和分类的关键步骤，需要实时处理和高准确性。然而，核大小，模糊轮廓，不均匀染色，细胞聚类和重叠的细胞的变化阻碍了精确的分割。此外，现有的深度学习模型通常以增加复杂性的成本优先考虑准确性，从而使其不适合资源有限的边缘设备和现实世界部署。为了解决上述问题，我们提出了一个边缘感知的双分支网络，用于核实例分割。网络同时预测目标信息和目标轮廓。在网络中，我们提出了一个上下文融合块（CF-block），该融合块有效地从网络中提取和合并了上下文信息。加法 - 我们引入了一种后处理方法，该方法结合了目标信息和目标轮廓，以区分重叠的核并生成实例分割图像。进行了广泛的定量评估，以评估我们方法的性能。实验结果表明，与BNS，Monuseg和CPM-17数据集的最新方法相比，该方法的出色性能。索引术语 - 努塞鲁斯细分，移动医疗保健，实体细分，医学成像，双支分支网络
主论文提案强化学习用于分割分析和组装CAD模型
计算机辅助设计（CAD）在现代工程中起着至关重要的作用，从而可以创建复杂的数字模型。有效地分析和将这些CAD模型分为其组件部分对于在制造，组装自动化和质量控制中的应用至关重要。机器和深度学习的最新进展促进了特征提取，分割，零件分类，反向工程和相关操作。，通常，即使是高级机器学习方法，也需要有效培训大型数据集。