XiaoMi-AI文件搜索系统
World File Search SystemVisualization
i MMCOR 可视化中使用的 MLTC 计划名称
资料来源：当前计划和所有权列表来自 https://www.health.ny.gov/health_care/managed_care/mltc/mltcplans.htm，上次更新时间为 2022 年 7 月，上次访问时间为 2022 年 8 月 19 日。有关计划合并、名称变更和关闭的信息 - 请参阅 www.NYHealthAccess.org 上本文中的来源链接 - http://www.wnylc.com/health/entry/217/
高温热管实验的先进测量和可视化技术
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
以参与者为中心的 AI 规划交互式可视化
引用本文 请注意，如果 King's Research Portal 上提供的全文是作者接受的手稿或后印刷版本，则可能与最终发布的版本不同。如果引用，建议您检查并使用出版商的最终版本以获取分页、卷/期和出版日期详细信息。如果在研究门户上提供最终发布的版本，如果引用，建议您再次检查出版商的网站以进行任何后续更正。一般权利 研究门户中提供的出版物的版权和道德权利由作者和/或其他版权所有者保留，并且用户访问出版物的条件是承认并遵守与这些权利相关的法律要求。
以参与者为中心的人工智能规划交互式可视化
随着我们越来越依赖人工智能系统来实现生活中越来越多的应用，理解和解释此类系统的需求也变得更加明显，无论是为了改进、信任还是法律责任。人工智能规划是一种提供解释挑战的任务，特别是由于生成的计划越来越复杂，以及连接行动并决定整体计划结构的复杂因果链。虽然最近有许多支持计划解释的技术，但用于浏览这些数据的视觉辅助工具却非常有限。此外，专注于抽象规划概念和领域相关解释的技术之间往往存在障碍。在本文中，我们提出了一种可视化分析工具来支持计划总结和交互，重点关注使用基于参与者的结构的机器人领域。我们展示了用户如何快速掌握有关计划中涉及的行动的重要信息以及它们之间的关系。最后，我们提出了一个用于设计工具的框架，重点介绍了如何将一般的 PDDL 元素转换为视觉表示，并进一步将概念与领域联系起来。
设计三维增强现实天气可视化以加强通用航空天气教育
摘要 — 目标：我们设计、开发和评估了 3D 增强现实 (AR) 天气可视化，以研究它是否可以增强通用航空 (GA) 教育中的天气交流。背景：对 GA 天气培训的评估发现，培训中存在差距，学生缺乏将天气知识与飞行决策联系起来的能力。文献综述：3D AR 学习对象已在科学领域使用，使多维自然现象的表示在课堂环境中更容易获得，并且它们有望增强有关天气的交流。研究问题：基于智能手机和平板电脑的 3D AR 天气可视化能否成为增强当前 GA 天气教育的有效工具？方法：设计和开发了 3D AR 雷暴细胞生命周期可视化。一名认证飞行教练、一名大学航空气象学教练、一名大学雷暴专家和三名学生对通用航空气象培训应用进行了初步评估，以评估 AR 雷暴可视化是否可以传达天气理论以及界面是否可用于学习和完成任务。结果：学生使用可视化探索雷暴生命周期的动态和雷暴的各个方面后，对雷暴的了解有所增加。专家认为学习体验满足了他们对雷暴理论的期望。AR 界面被评为可用于学习交互，并且工作量较低。结论：可视化的动画和交互性支持雷暴理论的交流，并有可能增强当前的通用航空气象教育。
NHGRI 基因组数据科学分析、可视化和信息学实验室空间临床资源 (ACR)
扩大现有的 AnVIL 外展和教育资源，包括：• 焦点小组会议 • 协助调查人员开发用例 • 为特定群体服务的教育会议 • 征求和处理 ACR 相关用户的反馈
利用混合现实技术对超声波无损检测数据进行 3D 可视化
摘要 在本文中，我们提出了一种方法，将超声波检测数据 (UT) 与其空间坐标和方向向量链接到被检查的样本。这样，可以使用增强现实或虚拟现实实时在样品上直接可视化处理后的无损检测 (NDT) 结果。为了实现 NDT 数据和物理对象之间的链接，使用了 3D 跟踪系统。空间坐标和 NDT 传感器数据存储在一起。为了实现可视化，在 3D 模型上应用了纹理映射。测试过程包括数据记录、处理和可视化。所有三个步骤都是实时执行的。数据由 UT-USB 接口记录，在 PC 工作站上处理并使用混合现实系统 (MR) 显示。我们的系统允许实时 3D 可视化超声波 NDT 数据，这些数据直接绘制到虚拟表示中。因此，有可能在手动测试过程中协助操作员。这种新方法可以使测试过程更加直观，并且数据集可以最佳地准备保存在数字孪生环境中。样本的大小不仅限于实验室规模，还适用于更大的物体，例如直升机机身。我们的方法受到 NDE 4.0 概念的启发，旨在创建一种新型智能检测系统。
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。
什么计划？使用PDSIM可视化虚拟计划
建模和验证计划解决方案是一个挑战问题，尤其是在现实世界中。本文介绍了规划DO-MAIN模拟（PDSIM）项目的开发的更新，这是Unity游戏引擎的资产，用于在2D或3D环境中模拟具有自定义动画和图形效果的计划。PDSIM旨在为用户提供一个直观的工具，以定义动画，并需要学习一种新的脚本语言，以便快速评估计划模型的有效性。由于相似的系统和工具的稀缺性，PDSIMFILS在计划模拟和验证方面存在重要的差距：使用3D图形和辅助技术模拟计划问题，可以帮助用户快速评估计划的质量并改善计划的设计和问题。本文介绍了PDSIM的更新，包括其目标是自动计划的系统，当前的开发状态以及该项目的未来计划。
推荐引用 推荐引用 Grigoryan, Gayane 和 Collins, Andrew J.，“可解释性总是必要的吗？关于可解释人工智能的讨论”（2022 年）。建模、仿真和可视化学生顶点会议。2. DOI：10.25776/2ta8-8058 https://digitalcommons.odu.edu/msvcapstone/2022/scienceengineering/2
模型的可解释性一直是一个争论话题。一些研究指出，可解释性是不必要的，一些“白盒”模型，如回归模型或决策树，本质上是可解释的。本文对具有高度相关特征的多元回归模型进行分析，以说明模型在处理复杂数据时可解释性如何失效。在这种情况下，信任模型解释可能会有问题。Shapley 净效应技术有助于确定特征的边际贡献，可用于提高模型的可解释性并揭示有关预测的更多信息。该研究得出的结论是，在所有情况下，包括简单模型甚至更明显的情况，可解释性都是避免得出有偏见和错误结论的必要条件。