XiaoMi-AI文件搜索系统
World File Search SystemUNet
Tengyingzi（Sophia）Perrin - 课程vitae
2023 - 苏黎世苏黎世，瑞士苏黎世数学系的先生科学助理，加固学习，金融数学。{使用观察成本方法开发马尔可夫决策过程，并将其应用于食品生产链中。{在风险谈判框架中应用游戏理论和多代理强化学习 - 食品安全的工作。2022–2023机器学习工程师实习，AI Medical AG，苏黎世，瑞士，神经影像学，计算机视觉。{使用TensorFlow实现的UNET，转移病变分割的骰子分割从0.51到0.83。{建立的管道以支持软件，包括检查数据有效性，成像核心委托和预处理。{已构建的合成病变数据库解决了不平衡的数据问题。
EM 1110-2-1003 1 Jan 02 - Frm.Utn.Edu.Ar
a. 水利工程研究。各种水文工程研究都需要水文测量支持来定义基本模型。这些研究或模型包括 HEC/GEO-RAS（河流分析系统）、稳定流水面剖面、非稳定流模拟、UNET（非稳定流网络水力模型）、泥沙输送建模、洪水淹没建模、水力洪水水位建模和预报、洪水淹没建模和绘图以及洪水损害评估。水利研究通常需要三个一般数据类别：(1) 流量、(2) 几何形状和 (3) 泥沙。水文测量员可能需要获取这三个类别中任何一个的基本现场信息。获取河段和毗邻河岸和洪泛区几何形状是迄今为止最常见的。
SS-3DCAPSNET：用于少标记数据医学分割的自监督 3D 胶囊网络
胶囊网络是一种近期出现的新型深度网络架构，已成功应用于医学图像分割任务。这项工作扩展了胶囊网络，使其能够通过自监督学习进行体积医学图像分割。与以前的胶囊网络相比，为了改善权重初始化问题，我们利用自监督学习进行胶囊网络预训练，其中我们的借口任务通过自重建进行优化。我们的胶囊网络 SS-3DCapsNet 具有基于 UNet 的架构，带有 3D 胶囊编码器和 3D CNN 解码器。我们在 iSeg-2017、Hippocampus 和 Cardiac 等多个数据集上的实验表明，我们的自监督预训练的 3D 胶囊网络远远优于以前的胶囊网络和 3D-UNets。代码可在此处获得。1
睡眠剥夺引起的记忆障碍
本文（Yang等人）提出了Munet，这是一个新型的网络框架，结合了UNET和MAMBA在脑肿瘤分割方面的优势。一种特殊的基于SSM的结构，称为SD-SSM块和SD-CONV结构，通过捕获多尺度的全局和局部功能来增强细分性能，并在功能之间压缩冗余信息。此外，他们使用了结合MIOU，骰子和边界损失的新型损失函数，以优化分割的重叠和相似性。这些创新提高了脑肿瘤分割的准确性和效率。总的来说，这些论文中提出的贡献和工作涵盖了医学成像和机器学习的各个方面。论文1的重点是针对早期医学诊断的特征选择和分类。论文2提出了一个双重注意机制图卷积神经网络，用于基于脑电图的情绪产生。论文3介绍了
![arxiv：2503.09277V1 [CS.CV] 2025年3月12日](/simg/g:\will\search\icon\source\e\e645e53140763fdc4070038122156902e6f701ab.webp)
arxiv：2503.09277V1 [CS.CV] 2025年3月12日
随着基于扩散的[12，41]文本到图像生成技术的进步，一系列单条件可控的生成框架（例如ControlNet [58]，T2-IADAPTER [30]，IP-ADAPTER [57]和INSTANTID [46]和INTSTANTID [46]已经扩展了控制信号的范围，该框架已扩展了从字体提示中扩展了控制信号的范围。它允许用户控制生成的图像的更详尽的方面，例如布局，样式，特征等。这些常规方法是专门为UNET [37]主骨的主干（LDM）[36]设计的，具有专用的控制网络。此外，最近的一些方法，例如Imini-Control [44]，将控制信号集成到扩散变压器（DIT）[7，22]体系结构中，它们与LDM中的UNET相比表现出了出色的性能。尽管上述方法达到了有希望的单条件性能，但多条件可控生成的挑战仍未解决。以前的多条件生成方法（例如Uni-Control [34]和Unicontrolnet [59]通常依赖于处理诸如Chany或Depth Maps之类的空间条件，并且无法适应受试者条件，从而导致适用的情况有限。尽管最近提出的CTRL-X [26]具有控制结构和外观，但其性能并不令人满意，并且仅支持有限的条件组合。因此，统一框架需要以多条件生成的方式包含这些生成任务。通过集成多个pre-此外，我们假设许多现有的生成任务可以被视为多条件的一代，例如虚拟试验[5，16]，对象插入[3，50]，样式传输[14，32，51]，空间分配的自定义[19，20，24，26]等该框架应确保与所有输入约束的一致性，包括主题ID保存，空间结构对齐，背景连贯性和样式均匀性。为了实现这一目标，我们提出了Unicombine，这是一个提供多个关键范围的能力和通用框架：首先，我们的框架能够同时处理任何条件组合，包括但不限于文本提示，空间图和下图图像。具体来说，我们引入了一种新颖的条件MMDIT注意机制，并结合了可训练的DeNoisis-Lora模块，以构建无训练和基于培训的版本。
ControlTraj-Controlable-Trajectory-generation-with-Topoology- ...
生成轨迹数据是解决隐私问题，收集成本和通常与人类流动性分析相关的专有限制的有希望的解决方案之一。然而，由于人类活动的固有多样性和不可预测性，与忠实，灵活性和普遍性等问题有关，现有的轨迹生成方法仍处于起步阶段。为了克服这些障碍，我们提出了ControlTraj，这是一个具有拓扑约束扩散模型的控制范围的traj traj eTecorentor生成框架。与先前的方法不同，控制了一个扩散模型，以生成高保真轨迹，同时整合了道路网络拓扑的结构约束，以指导地理结果。具体来说，我们开发了一种新颖的路段自动编码器，以提取细粒度的道路嵌入。随后将编码的特征以及TRIP属性合并为名为GeiOnet的拟议地理DeNoing Unet架构，以从白噪声中综合地理传播。通过在三个现实世界数据设置进行实验，ControlTraj展示了其
使用无监督学习
经颅超声疗法越来越多地用于非侵入性脑疾病治疗。然而，常规数值波求机的计算量过于昂贵，无法在治疗过程中在线使用，以预测经过头骨的声学字段（例如，考虑主题特定的剂量和靶向变化）。作为实时预测的一步，在当前工作中，使用完全学习的优化器开发了2D中异质Helmholtz方程的快速迭代求解器。轻型网络体系结构基于一个修改的UNET，其中包括一个学识渊博的隐藏状态。使用基于物理的损失功能和一组理想化的音速分布对网络进行训练（完全无监督的训练（不需要真正的解决方案）。学习的优化器在测试集上表现出了出色的性能，并且能够在训练示例之外良好地概括，包括到更大的计算域，以及更复杂的源和声速分布，例如，从X射线计算的颅骨图像中得出的那些。
具有质量效应的儿童脑肿瘤图像合成
在过去的几年中，基于深度学习的技术在医学图像处理领域取得了很大进展，例如分割和配准。这些方法的主要特点是对医学图像进行模型训练的需求量很大。然而，由于成本高昂和道德问题，获取这些数据通常很困难。因此，缺乏数据可能导致性能不佳和过度拟合。为了解决这个问题，我们在本文中提出了一种数据增强算法，用于在健康儿童脑 MRI 图像上修复肿瘤以模拟病理图像。由于肿瘤的生长可能导致周围组织变形和水肿（这被称为“质量效应”），因此使用概率 UNet 来模拟这种变形场。然后，不是直接将肿瘤添加到图像中，而是使用基于 GAN 的方法将蒙版转移到图像上，使其在视觉和解剖学上都更合理。同时，通过将变形场应用于原始标签，还可以获得不同脑组织的注释。最后，将合成图像与真实数据集一起进行训练以进行肿瘤分割任务，结果表明准确度有统计上的提高。
脑肿瘤分割与 3D 可视化
1 计算机工程系，1 通用工程学院，瓦塞，印度 摘要：脑肿瘤分割在医学图像处理中起着重要作用。脑肿瘤的早期诊断有助于改善治疗可能性并提高患者的存活率。从医疗常规生成的大量 MRI 扫描中手动分割脑肿瘤可能非常耗时。这导致需要一个自动脑肿瘤图像分割系统来进行顺利诊断。从磁共振成像 (MRI) 扫描中定位和分割脑肿瘤对于医学分析领域的多种应用来说是一项艰巨而重要的任务。每种脑成像模态都提供与肿瘤每个部分相关的独特和关键细节。许多最近的方法使用了四种模态，即 T1、T1c、T2 和 FLAIR。NeuroVision 是一个灵活有效的脑肿瘤分割和可视化 Web 应用程序。该系统使用基于 CNN 的 UNET 模型进行脑肿瘤分割并显示不同的肿瘤区域。其次，使用 Python 图形库以 2-D、3-D 和 360 度视图可视化肿瘤的不同区域。生成的医疗报告包括肿瘤在脑内的位置和肿瘤相对于脑的占有率。在 BRATS 2020 数据集上进行了全面的实验，结果表明，所提出的模型获得了有竞争力的结果。所提出的方法分别实现了平均整个肿瘤、增强肿瘤和肿瘤核心骰子得分 88.3%、75.3% 和 79.0%。索引术语 - 脑肿瘤、UNET、BRATS、MRI、分割、可视化、模态、骰子得分。I. 介绍脑肿瘤是一组异常细胞以不受控制的方式繁殖的阶段。磁共振成像 (MRI) 是一种非侵入性测试，医生可以使用它来诊断患者的病情。 MRI 提供高分辨率和软组织高对比度的图像。MRI 提供有关脑肿瘤形状、大小和位置的重要信息，以便对患者进行有效的诊断和治疗计划。因此，脑肿瘤医学领域的大部分研究都是使用 MRI 图像进行的。可以创建各种 MRI 模式，这些模式可以称为加权图像。这些模式是 T1 加权、T2 加权、T1c 和液体衰减反转恢复 (FLAIR)。T1 加权图像在脑组织的灰质和白质之间具有高对比度，这有助于更好地分割脑肿瘤。T1 加权对比度增强了 T1 图像，而 FLAIR 使肿瘤区域变得高强度，这就是它用于脑肿瘤结构诊断的原因。研究需求 MRI 图像代表了诊断和治疗计划中一项关键且具有挑战性的任务，有助于准确分割脑肿瘤。图像分割是医学成像中的一个动态领域，包括从图像中提取一个或多个肿瘤区域，这使得肿瘤区域对治疗很有吸引力。为了进行脑肿瘤检测，文献中已经开发了各种算法，包括基于阈值的方法、基于区域的方法、可变形方法、分类方法和深度学习。但在这项工作中，UNET 已用于脑肿瘤的检测和分割。图像可视化在医学领域也起着非常重要的作用。这有助于确定治疗或手术的可能结果。医疗专业人员可以很容易地与患者沟通他们的问题是什么以及如何治疗。因此，脑肿瘤的检测、分割、可视化以及肿瘤占据了大脑某个区域的百分比，所有这些过程都在一个名为 NeuroVision 的平台上执行。可以使用脑肿瘤分割从健康脑组织中提取肿瘤区域并检测脑肿瘤。因此，肿瘤可以有不同的大小和位置，准确有效地分割肿瘤成为一项具有挑战性的任务。肿瘤可以具有各种外观特性，例如其结构可以是非刚性的并且可以具有复杂的形状。
用量子改进医学图像识别...
研究方法•INBREAST数据集审查和呈现•数据增强：通过旋转和对比度调整，人为地增加培训数据集的多样性；通过模型改善概括来提高诊断精度•量子信息处理（QIP）研究/UNET研究和审查•U-NET：卷积神经网络专门针对生物医学图像分割，具有更高的精度，由编码器编码器结构组成。•量子过滤器：过滤和处理量子信息，导致图像的澄清和去除•使用和不使用量子过滤器的训练收敛性：这改变了图像深度和对象在图像中的位置。这意味着更改图像以揭示它们在原始数据中可能无法观察到的独特功能。•测试和调试：在增强中尝试不同的参数，并根据输出选择适当的测试用例，并调试现有方法，代码块，以确保过滤器的无错误应用。我们认为的参数将是关于图像中噪声，分辨率和剩余文物的参数。Inbreast数据集相对毫无噪音，并且是高质量的，因此使用掩码清理数据中的人工制品对于调试至关重要。