XiaoMi-AI文件搜索系统
World File Search SystemVisualization
用于生物医学数据实例化和可视化的创新深度学习方法
摘要 大多数生物医学应用面临的主要问题之一是大量未标记的数据。人类专家手动分析和分类海量数据库大多是不可行的，在某些有限条件下（仍然极其耗时）只有部分工作仅针对专家可轻松识别的简单特征。关于这个方面，医学专家面临两个具有挑战性的问题：如何选择最重要的数据进行标记，以及数据集的最小大小是多少（但足以定义每种病理）以进行分类器的训练。在本章中，我们提出了一种基于可视化数据分析的新方法，以使用最少的标记数据构建有效的分类器。编码器是卷积变分自动编码器 (CVAE) 的一部分，用作 2D 可视化的数据投影。输入向量被编码到二维潜在空间中，这有助于专家直观地分析训练数据集的空间分布。
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
Georges Hattab – 简历 - 可视化小组
2018–2019 博士后研究员，德国国家肿瘤疾病中心 (NCT)、德国癌症研究中心 (DKFZ)、德累斯顿工业大学卡尔古斯塔夫卡鲁斯大学医院，德国德累斯顿。在计算机和机器人辅助手术领域对人体器官进行混合现实的生物力学分析和计算机视觉。由 Stefanie Speidel 教授指导 2014–2017 博士，比勒费尔德大学，生物数据挖掘组，基因组多样性和动态分析的计算方法 (DiDy)，德加 DFG 国际研究培训组，德国比勒费尔德。在时空实验中分析菌落动态并可视化细胞多样性。指导老师：Tim W. Nattkemper 教授和 Tamara Munzner 教授 2016 访问研究生，信息可视化小组，不列颠哥伦比亚大学 (UBC)，温哥华，不列颠哥伦比亚省，加拿大。开发一种有效的算法和数据抽象来分析延时图像数据中的细菌菌落生长。指导老师：Tamara Munzner 教授 2016 访问研究生，数据库和数据挖掘小组，计算机科学学院，西蒙弗雷泽大学 (SFU)，本拿比，不列颠哥伦比亚省，加拿大。科学交流。指导老师：Martin Ester 教授
将Mol2VEC技术应用于大型数据可视化和分析
化学中深度学习的最新成功与文本挖掘的进展以及通过类比与文本处理化学图的能力紧密结合。深度学习也是分子描述中的关键问题，因为在深度学习过程中，存储在隐藏神经元层（潜在变量）上的内部值可以有效地用作分子描述符[1]。由于深神经网络几乎可以“读取”几乎所有野蛮的，未经准备的分子表示（分子图，微笑的字符串 - 典型化或不使用典型化 - 甚至是像素化图像格式中的2D草图），这些潜在变量可以被视为被人工智能的“发明”。他们应该弄清（几乎）分子图中存在的所有信息，尽管它不会在设计新型分子描述符的专家使用的化学专业知识之后提取。后者会知道，例如，要强调可以从图中推断但难以提取的结构方面。典型的例子是药效团
使用转移学习和注意力的高级种族分类：实时指标，错误分析和可视化的轻量级学习
背景和目标：深度学习技巧极大地推动了面部图像的种族分类进步。尽管取得了这些进步，但许多现有方法依赖于复杂的模型，这些模型需要大量的计算成本并表现出缓慢的处理速度。本研究旨在通过利用转移学习以及结合了基于注意力的学习的改进的有效网络模型来介绍一种有效，强大的种族分类方法。方法：在这项研究中，有效的网络被用作基本模型，应用转移学习和注意机制来增强其在种族分类任务中的功效。有效NET的分类器组件在战略上进行了修改，以最大程度地减少参数计数，从而在不损害分类精度的情况下提高处理速度。为了解决数据集不平衡，我们实施了广泛的数据增强和随机的过采样技术。修改模型经过严格培训和在全面的数据集上进行了评估，并通过准确性，精度，召回和F1得分指标进行了评估。结果：修改后的有效网络模型表现出显着的分类精度，同时显着降低了UTK-FACE数据集的计算需求。具体来说，该模型的准确度为88.19％，反映了基本模型的增强2％。此外，它证明记忆消耗和参数计数减少了9-14％。此外，提出的方法增强了培训样本少约50％的班级测试准确性约5％。实时评估显示，处理速度的速度比基本模型快14％，并且达到了最高的F1得分结果，这强调了其对实际应用的有效性。结论：本研究提出了一个基于改进的有效网络体系结构的高效种族分类模型，该模型利用转移学习和基于注意力的学习来实现最先进的表现。所提出的方法不仅持有高精度，还可以确保快速处理速度，使其非常适合实时应用。调查结果表明，这种轻巧的模型可以有效地与更复杂和计算密集的最新方法相抗衡，从而为实践种族分类提供了宝贵的资产。
基因序列可视化 - HAL lirmm
从 DNA 微阵列分析中获得的大量生物数据中提取知识的技术可以发现以前未知的知识。然而，这些技术通常会产生许多专家不易操作的结果。我们提出了一种工具，专门用于支持这些专家在提取过程后获取知识的过程中进行使用和利用。该工具基于 3 种可视化技术（云、太阳系和树形图），使生物学家能够捕获大量模式（有序的基因序列）。
将沉浸式的非弱化可视化划分桥接
摘要 - 本文描述了SeamlessVr，这是一种从身临其境可视化的方法，在虚拟现实（VR）耳机中，在屏幕上，在虚拟现实（VR）耳机中，在非弱化的可视化中。SeamlessVR将3D可视化的连续变形实现为2D可视化，与用户删除耳机后在屏幕上看到的内容相匹配。这种可视化连续性降低了将沉浸式连接到非脱落性可视化的认知工作，从而帮助用户继续屏幕上的可视化任务在耳机中开始。我们将SeamlessVR与传统方法进行了比较，即在IRB批准的用户研究中直接删除耳机，n = 30个参与者。SeamlessVr在复杂的抽象和现实场景中以及参与者对从沉浸式转变为非弱势可视化以及可用性方面的转换方面以及参与者对参与者的转变的看法而言，目标跟踪的时间和准确性具有显着优势。SeamlessVr并未引起网络智能的关注。
单量子比特状态断层扫描的矢量场可视化
摘要 — 随着商用量子计算机种类的不断增加，对能够表征、验证和确认这些计算机的工具的需求也在不断增加。这项工作探索了使用量子态断层扫描来表征单个量子比特的性能，并开发了矢量场可视化来呈现结果。所提出的协议在模拟和 IBM 开发的量子计算硬件上进行了演示。结果确定了此硬件标准模型中未反映的量子比特性能特征，表明有机会提高这些模型的准确性。所提出的量子比特评估协议作为免费开源软件提供，以简化在其他量子计算设备上复制该过程的任务。索引术语 — 量子计算、量子态断层扫描、量子比特基准
刺激图：深部脑刺激手术定量术中测试结果的可视化
摘要 深部脑刺激 (DBS) 是治疗特发性震颤 (ET) 等运动障碍的成熟方法。患者脑内 DBS 导线的定位对于有效治疗至关重要。术中需要对不同电流幅度下不同位置的刺激的改善和不良影响进行广泛评估。然而，要选择最佳导线位置，必须在脑海中将信息可视化并进行分析。本文介绍了一种称为“刺激图”的新技术，该技术总结并可视化大量相关数据，旨在帮助确定最佳 DBS 导线位置。它结合了三种方法：相关解剖结构的轮廓、定量症状评估和患者特定的电场模拟。通过这种组合，刺激区域中的每个体素都被分配一个症状改善值，从而将刺激区域划分为具有不同改善水平的区域。该技术被回顾性地应用于法国克莱蒙费朗大学医院的五名 ET 患者。除了确定最佳植入位置外，由此得到的九张图还显示，改善程度最高的区域通常位于丘脑后部底区。结果证明了刺激图在确定最佳植入位置方面的实用性。