XiaoMi-AI文件搜索系统
World File Search SystemShape
用于形状和图像分析的加权欧拉曲线变换
Turner 等人的欧拉曲线变换 (ECT) 是嵌入单纯复形的完全不变量，易于进行统计分析。我们对 ECT 进行了推广，以提供同样方便的表示形式，用于加权单纯复形，例如在某些医学成像应用中自然出现的对象。我们利用 Ghrist 等人关于欧拉积分的工作来证明这个不变量——称为加权欧拉曲线变换 (WECT)——也是完整的。我们解释了如何将灰度图像中分割的感兴趣区域转换为加权单纯复形，然后转换为 WECT 表示。该 WECT 表示用于研究多形性胶质母细胞瘤脑肿瘤形状和纹理数据。我们表明，WECT 表示可根据定性形状和纹理特征有效地对肿瘤进行聚类，并且这种聚类与患者生存时间相关。
铅卤化物钙钛矿纳米立方体与介电纳米盘的形状定向共组装成二元纳米晶体超晶格
摘要：胶体纳米晶体 (NC) 的自组装在固态材料的多尺度工程中具有巨大前景，通过这种技术，原子工程 NC 构件被排列成具有协同物理和化学性质的长程有序结构 超晶格 (SL)。迄今为止，报告主要集中在球形 NC 的单组分和二元系统上，产生的 SL 与已知的原子晶格同构。通过组合各种形状的 NC，可以预期获得远远超出已知晶格范围的更大结构空间。本文报道了空间稳定的 CsPbBr 3 纳米立方体 (5.3 纳米) 与圆盘状 LaF 3 NC (直径 9.2 - 28.4 纳米，厚度 1.6 纳米) 共组装成二元 SL 的过程，产生了具有 AB、AB 2 、AB 4 和 AB 6 化学计量的六柱状结构，这在之前和我们的参考实验中均未观察到，参考实验中使用由球体和圆盘组成的 NC 系统。本文使用填充密度计算合理化了立方体形状的这种惊人效果。此外，在尺寸相当的纳米立方体（8.6 纳米）和纳米盘（6.5 纳米、9.0 纳米、12.5 纳米）系统中，还观察到了其他非柱状结构，例如 ReO 3 型 SL，其特征是盘和立方体的紧密混合和面对面排列，纳米立方体的面心立方或简单立方亚晶格，以及每个晶格位置有两个或三个盘。层状和 ReO 3 型 SL 采用大型 8.6 纳米 CsPbBr 3 NC，表现出集体超快光发射 超荧光 的特征，源自激发态发射偶极子的相干耦合。关键词：胶体纳米晶体、纳米晶体形状、自组装、二元超晶格、电子显微镜、卤化铅钙钛矿、超荧光 I
利用解耦运动和形状模型进行 4D 心肌重建
评估心肌的形状和运动状态对于诊断心血管疾病至关重要。然而，电影磁共振 (CMR) 成像以 2D 切片为主，其大切片间距对切片间形状重建和运动获取提出了挑战。为了解决这个问题，我们提出了一种将运动和形状分离的 4D 重建方法，该方法可以从有限切片获得的给定稀疏点云序列预测间/内形状和运动估计。我们的框架包括一个神经运动模型和一个舒张末期 (ED) 形状模型。隐式 ED 形状模型可以学习连续边界并鼓励运动模型在没有地面真实变形监督的情况下进行预测，并且运动模型通过将任意点从任意阶段变形到 ED 阶段来实现形状模型的规范输入。此外，构建的 ED 空间可以对形状模型进行预训练，从而指导运动模型并解决数据稀缺问题。我们提出了我们所知的第一个 4D 心肌数据集，并在提出的、公开的和跨模态的数据集上验证了我们的方法，显示出卓越的重建性能并实现了各种临床应用。
形状记忆合金薄膜拉胀结构
SMA 通常以两种方式使用：要么利用形状记忆效应，要么利用热或应力诱导的马氏体相变提供的超弹性行为。在 TiNi 基 SMA 中，可实现高达 8% [19] 的可逆固有应变，而利用形状记忆效应则需要加热到高温相奥氏体才能可逆地恢复变形。超弹性合金的可逆伪弹性行为与应力诱导的马氏体相变有关，从奥氏体到马氏体。在这种情况下，只需移除施加的载荷即可实现可逆性。根据应用的要求，SMA 的转变温度可以通过热处理或改变成分来调整。[20–22] Chluba 等人。研究表明，三元形状记忆合金 TiNiCu 即使在 1000 万次超弹性循环后也不会出现疲劳，[23] 这使得这种合金成为皮肤电子（应用于皮肤的可拉伸电子产品）等应用的良好候选材料，其中肘部或膝盖处的设备可能会经受大量循环和大应变。嵌入聚合物中的传统金属（如铜）的循环行为已被研究，结果显示应变高达 5% 时就会出现裂纹。[24] 在人体应用中
无线驱动的热和磁反应软式双向材料，具有可编程形状的形状
无线驱动和远程控制的活跃软材料已引起了大量的研究注意，因为与传统的智能材料相比，它们在各种各样的领域中具有潜在的潜在应用，其性能有所改善。[1-5]这些合成伴侣对环境刺激的反应并表现出模仿或与自然界观察到的行为或现象相匹配的能力。[6-8]在这些智能材料中，机械刺激响应材料从环境输入中收获能量，例如光线，[9-11]热量，[12,13]溶剂，[14,15]和物理领域和[16-18]，并将其转换为机械能量，无需通过机械形状，无需通过板上的功率来源。这些无线材料可以完成各种功能，例如运动[19-21]以及物体操纵和运输[22-24]作为执行器和传感器。在迄今为止报道的大量活跃智能材料中，由于它们的独特特征和独特的优点，液晶弹性体（LCE）和磁反应弹性体（MRE）最近与其他人脱颖而出。lces表现出大量的菌株（高达400％）和高度工作，以响应多种环境刺激，例如温度[25-27]光，[11,28]和电场。[17,18,29] LCES内部元素的预定对齐（由导演n描述）启用了已在软执行器和生物启发的设备中使用的复杂的3D可逆形状。这些局部菌株共同起作用，以实现指定的形状 - 修复行为，这通常是平面外弯曲的。[6,11,30]外部刺激会根据LCES的当地董事场诱导收缩和拉伸菌株的对齐中的订单参数。另一方面，MRE由柔软的弹性体（SE）矩阵组成，其嵌入式硬磁性微或纳米果（MMPS或MNP）组成。外部磁场在嵌入的MMP或MNP上产生局部力和扭矩。分离的扭矩会导致身体变形和MRE材料的净旋转，而颗粒所经历的力会融合到净力，从而置换MRE或变形。[31]磁性致动具有远距离，健壮和快速致动的优势，并且瞬间的能力
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
基于二维稀疏心脏磁共振成像的三维双心室心脏形状重建和建模的神经变形模型
我们提出了一种新颖的神经可变形模型 (NDM)，旨在从二维稀疏心脏磁共振 (CMR) 成像数据中重建和建模心脏的三维双心室形状。我们使用混合可变形超二次曲面对双心室形状进行建模，该超二次曲面由一组几何参数函数参数化，能够进行全局和局部变形。虽然全局几何参数函数和变形可以从视觉数据中捕捉到总体形状特征，但可以学习局部变形（参数化为神经微分同胚点流）来恢复详细的心脏形状。与传统可变形模型公式中使用的迭代优化方法不同，可以训练 NDM 来学习此类几何参数函数、来自形状分布流形的全局和局部变形。我们的 NDM 可以学习以任意尺度加密稀疏心脏点云并自动生成高质量的三角网格。它还可以隐式学习不同心脏形状实例之间的密集对应关系，以实现准确的心脏形状配准。此外，NDM 的参数直观，医生无需复杂的后处理即可使用。大型 CMR 数据集上的实验结果表明，NDM 的性能优于传统方法。
gpld3d：通过执行几何学和物理先验
扩散概率模型（DDPM）[39，40]，通过开发合适的3D表示，例如，体积网格[50]，点云[3，53]，三角形网格[24，32]，隐式含量[24，32]，隐式代表[12，28，36，36，36，36，56，36，56，36，36，36，56）。但是，这些生成模型的一个共同主题是匹配由训练数据定义的经验分布以及从潜在空间的先前分布中得出的诱导分布。这些方法在3D域中对下游应用程序至关重要的3D域中没有明确模型。考虑使用隐式形状代表的许多状态形状发生器。合成形状通常具有断开的作品，并具有其他物理稳定性和几何可行性的问题。现有技术的一个主要问题是，他们只看到培训实例，这是一组非常稀疏的样本。但是，它们没有对合成实例的几何和物理特性进行建模。这种问题不容易通过开发合适的神经代表来解决。随着人造形状具有多种拓扑结构，在可以对不同拓扑结构建模的代表下执行这些属性，例如隐式表面和点云仍然非常具有挑战性。在本文中，我们介绍了一种名为GPLD3D的新颖方法，该方法极大地增强了合成形状的几何学性和物理稳定性。考虑一个预先训练的生成模型，该模型将潜在空间映射到形状空间。我们将潜在扩散范式[12，34，36，56]证明是一种最先进的形状基因产生模型。与训练一个扩散模型不同，该模型将潜在空间的高斯分布映射到由训练形状的潜在代码定义的经验分布，我们介绍了一个潜在代码的优质检查器，以定义潜在空间的连续正规化分布。此质量检查器集成了一个学到的功能，该功能量化了合成形状的几何可行性评分以及量化其物理稳定性评分的刚度ma-Trix的光谱特性。我们展示了如何扩展最新的扩散框架EDM [20]，以整合数据分布和学习质量的denoising网络的质量检查器。关键贡献是一种原则性的方法，它决定了数据分散的损失条款与不同噪声水平的质量检查器之间的权衡参数。我们已经评估了shapenet-v2上GPLD3D的性能[6]。实验结果表明，在多个指标上，GPLD3D显着优于最先进的形状发生器。我们还提出了一项消融研究，以证明合并质量检查器并优化训练损失的超参数的重要性。
测地线回归表征月经期间女性大脑的三维形状变化
女性在绝经后患阿尔茨海默氏症和其他神经系统疾病的风险更高，但将女性大脑健康与性激素波动联系起来的研究却有限。我们希望通过开发工具来量化性激素波动过程中大脑的三维形状变化，以研究这种联系。三维离散曲面空间上的测地线回归提供了一种表征大脑形状演变的原则性方法。然而，就目前的形式而言，这种方法的计算成本太高，不便于实际使用。在本文中，我们提出了加速三维离散曲面形状空间上的测地线回归的近似方案。我们还提供了每种近似值可使用的经验法则。我们在合成数据上测试了我们的方法，以量化这些近似值的速度-准确度权衡，并表明从业者可以期待非常显着的速度提升，同时只牺牲很少的准确性。最后，我们将该方法应用于真实的大脑形状数据，并首次表征了女性海马体在月经周期中如何随着孕酮的变化而改变形状：我们的近似方案（实际上）使这一表征成为可能。我们的工作为生物医学和计算机视觉领域的全面、实用的形状分析铺平了道路。我们的实现在 GitHub 上公开可用。
准确、高效地重建右心室形状和
从时间分辨的医学图像中精确重建右心几何形状和运动可增强基于图像可视化的诊断工具以及通过计算方法进行的心脏血液动力学分析。由于右心形态和运动的特殊性，常用的分割和/或重建技术仅采用短轴电影 MRI，在右心相关区域（如心室底部和流出道）缺乏准确性。此外，重建过程非常耗时，并且在生成计算域的情况下需要大量的人工干预。本文提出了一种从时间分辨 MRI 中精确高效地重建右心几何形状和运动的新方法。具体而言，所提出的方法利用表面变形来合并来自多系列电影 MRI（如短/长轴和 2/3/4 腔采集）的信息并重建重要的心脏特征。它还通过利用合适的图像配准技术自动提供完整的心脏收缩和放松运动。该方法既适用于健康病例，也适用于病理（法洛四联症）病例，并且比标准程序产生更准确的结果。所提出的方法还用于为计算流体动力学提供重要输入。相应的数值结果证明了我们的方法在计算临床相关血液动力学量方面的可靠性。© 2023 Elsevier BV 保留所有权利。