XiaoMi-AI文件搜索系统
World File Search SystemUc
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
图像预处理策略，用于改善Aruco标记检测水下
摘要 - 在水下计算机视觉中，由于浊度和可变照明条件等环境因素，提高了Aruco标志物的特征提出了重大挑战。本研究探讨了旨在改善非杂种环境中Aruco标记检测性能的图像预处理策略。研究了三种不同的预处理方法：对自适应直方图均衡的增强，一种基于频率域的方法，重点是局部和全局处理，以及一种针对照明校正，降低降低，对比度增强和颜色调整的自动预处理技术。实验验证是为了使用实际水下图像评估这些策略的有效性。这项研究阐明了针对水下Aruco标记检测应用量身定制的有效预处理技术，为开发强大的水下计算机视觉系统提供了见解。索引术语 - 进行处理，视觉，Aruco，水下，ROV
最不发达国家服务出口 - 趋势和成功案例
1 作为一般免责声明，众所周知，与商品数据相比，国际收支平衡表中的服务数据相对不可靠，而且不能说明全部情况。许多发展中经济体的数据尤其稀少，按子部门、双边贸易模式或出口目的地分类的信息很少。2011 年，阿富汗、乍得、厄立特里亚、基里巴斯和索马里没有服务贸易数据。对于 11 个最不发达国家，没有分类数据；这些国家包括贝宁、布基纳法索、中非共和国、几内亚比绍、马达加斯加、马里、毛里塔尼亚、尼日尔、多哥和图瓦卢。在对最不发达国家组进行一般观察和呈现平均数据时，重要的是要记住每个经济体都是不同的，并且总体趋势可能并不总是可以在该组的任何单个成员中观察到。尽管如此，仍可以从一般数据中挖掘有用的见解，但主要是在高度聚合的类别中。本文的目的并非详尽的分析，而是介绍一些程式化的事实，这些事实可能有助于引起人们的兴趣，并促使人们进行必要的额外分析，无论是在国际上还是在最不发达国家国内。此外，国际收支平衡表没有揭示海外商业存在的情况，也没有任何最不发达国家的外国子公司贸易数据。从这个角度来看，B 部分中介绍的案例研究特别有趣，因为它们确实提供了最不发达国家的证据
冰岛苏尔特塞火山岛上出现真菌。
当第一批自养植物在火山岛叙尔特塞岛的熔岩砂和火山碎屑中定居下来后，由于有机物的加入，土壤就成了细菌、放线菌和真菌的生长基质。来访的鸟类和风吹来的昆虫以及漂流上岸的植物和木材也为土壤添加了有机物。尤其是在海岸和低地，这些漂移物质为异养生命提供了条件。真菌繁殖体可以和有机物一起被输送到岛上。研究表明，霉菌也可以通过空气传播到叙尔特塞岛。KOLBEINSSON 和 FRIDRIKSSON (1968) 使用开放式培养皿法，在三个地方发现微生物沉降物达到每皿每小时 0.0-1.8 个菌落；在较高的地方发现的微生物比在海平面上少；这些微生物属于各种腐生细菌和几种霉菌。但尚未被鉴定。