XiaoMi-AI文件搜索系统
World File Search SystemVoxel
用于更改功能大脑网络的学位分布的网络模型
摘要：这项研究的目的是研究功能性脑网络的学位分布。特定的功能性脑网络是由三组参与者的fMRI测量构建的，即年轻的健康参与者，老年人健康的参与者和患有阿尔茨海默氏病的老年参与者。功能性脑网络是为随着时间的时间相关的三个不同相关阈值而构建的。我们已经注意到，当相关阈值降低时，度分布的特征会改变。为了解释与相关阈值的价值变化的程度分布变化，我们创建了两个不同但相关的网络模型。至关重要的因素两个模型都包含的噪声越来越大，随着体素活性相关阈值的降低，这在我们的模型中对应于功能网络的体素节点之间的随机相关数量的增加。模型说明了根据网络增长和边缘添加过程降低相关阈值，该度分布的最初无标度特征如何变化。两个模型以优先和随机边缘添加方式差异，而第二个模型是第一个模型的重新构造。平均而言，第二个模型可以与数据更好地定量匹配。据我们所知，这种功能性的大脑网络模型，考虑到相关阈值作为独立变量以前尚未引入。
HBM.25224.pdf -orca -Cardiff University
图1亚素纤维样组件的分辨率以及随后对相关的颜色编码方向分布函数（ODF）的估计。（a）R 2 -d分布，用于包含CSF和两个交叉WM种群的体素。5D P（r 2，d）据报道为R 2的3D对数散射图D，各向同性扩散性D ISO和轴向 - 径向 - 径向扩散率D K / D d r，其圆面积与通用r 2- d分量的重量成比例。颜色编码定义为：[r，g，b] = [cosφsinθ，sin ϕsinθ，cosθ] j d k -d⊥ /max /max（d，d，d，d，d，d，d，d，d，d，d，d，d，d，），其中（θ，ϕ）给出了每个轴对称d的方向。r 2 -d空间分为三个粗垃圾箱，称为“大”（蓝色体积），“薄”（红色体积）和“厚”（绿色体积）。落入“薄”箱中的成分被单打并解释为纤维。（b）每箱信号贡献的空间分布。中间地图显示了“大”（蓝色），“薄”（红色）和“厚”（绿色）垃圾箱中的分数种群，作为颜色编码的复合图像。最右图的重点是来自“薄”子集中的组件的信号贡献，f薄，（1- f thin）的补充给出了来自所有不用于ODF计算的所有组件的信号分数。交叉位置位置的体素，其分布在面板（a）中显示。（c）计算颜色编码的ODF的方案。r 2颜色的圆圈表示来自面板中信号的体素溶液的“薄”组件（b）。圆面积与W成正比，而[x，y，z]圆坐标被定义为[cos ϕsinθ，sin ϕsinθ，cosθ]（左）或[cos ϕsinθ，sin ϕsinθ，cos cos cos ϕ] w（中和右）。在左图中，离散的r 2 -d组件显示在以1,000点（θ，ϕ）网格表示的单位球体上。首先通过公式（6）将P（r 2，d）组件的权重映射到网格，从而形成一个ODF字形，其半径沿r 2 -d概率密度沿给定（θ，ϕ）方向（中间）。按照ODF估计，方程（9）用于为每个网格点分配r 2，d ISO或dδ的平均值，并定义颜色ODF glyph（右）
基于激光雷达的3D时间对象通过运动...
摘要：最近，行业对自动驾驶的需求不断增长，引起了对3D对象检测的极大兴趣，从而导致许多出色的3D对象检测算法。但是，大多数3D对象检测器仅专注于一组激光雷达点，而忽略了它们通过利用连续的激光雷达点提供的信息来提高性能的潜在能力。在本文中，我们提出了一种新颖的3D对象检测方法，称为时间运动感知3D对象检测（TM3DOD），该方法利用了时间发光剂数据。在提出的TM3DOD方法中，我们通过使用连续的BEV特征映射生成运动功能来汇总LIDAR VOXER和当前BEV特征。首先，我们提出了时间体素编码器（TVE），该编码器（TVE）通过捕获体素内的点集之间的时间关系来生成体素表示。接下来，我们设计一个运动吸引特征聚合网络（MFANET），该网络旨在通过量化两个连续的BEV特征图之间的时间变化来增强当前的BEV特征表示。通过分析BEV特征图随时间推移的差异和变化，MFANET捕获运动信息并将其集成到当前特征表示中，从而使3D对象更加可靠，更准确地检测。对Nuscenes基准数据集的实验评估表明，与基线方法相比，提出的TM3DOD方法在3D检测性能方面取得了显着改善。此外，我们的方法与最先进的方法达到了可比的性能。
![arxiv：2012.15294v1 [eess.iv] 2020年12月30日](/simg/g:\will\search\icon\source\4\440d22a9e2e4d8344dbfe06477ccfb76b9f91828.webp)
arxiv：2012.15294v1 [eess.iv] 2020年12月30日
摘要。3D磁共振图像（MRI）中脑肿瘤分割的自动化是评估疾病的诊断和治疗的关键。近年来，卷积神经网络（CNN）在任务中显示出改善的结果。但是，在3D-CNN中，高内存消耗仍然是一个问题。此外，大多数方法不包含不确定性信息，这在医学诊断中尤其重要。这项工作研究3D编码器培训架构，该体系结构接受了基于贴片的技术，以减少记忆消耗并降低不平衡数据的效果。然后使用不同的训练模型来创建一个集合，以利用每个模型的属性，从而增加性能。我们还分别使用测试时间辍学（TTD）和数据启动（TTA）引入了Voxel的不确定性信息。另外，提出了一种混合方法，有助于提高分割的准确性。这项工作中提出的模型和不确定性估计测量已在Brats'20挑战中针对肿瘤分割和不确定性估计。
mdi pdi
新生儿时期的特定白质扩散特征与2年时的神经运动或神经认知结果相关。基于体素的分析T. Faundez 1，R。Recker 1，C。Borradori Tolsa 1，G。Lodygensky 1，Lazeyras 2,3和P. S. Huppi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1. Genev，Generse for Geneva，Generse for Geneva，Gena for Genava and genev ander of Gena for Geneva and geneva for geneva and geneva of Geneva and geneva of Geneva for 3瑞士洛桑和日内瓦的生物医学成像中心（CIBM）中心的全部介绍取决于皮质完整性和完全骨髓的白质。髓鞘化是大脑发育的重要过程。此过程发生在胎儿时期，大部分时间为2岁。早产会导致脑部髓鞘的延迟和缺陷，对早期儿童发育和生命后期的神经运动和神经认知能力的影响。早产大脑后的发育困难以运动缺陷和注意力控制，语言发展和执行功能的神经认知延迟为特征。缺少这些缺陷的早期结构相关性。扩散MRI可深入了解大脑发育，扩散和明显扩散系数（ADC）的定量指数与脑成熟有关[1]。ADC值特别随着脑髓鞘形式降低[2]。仍然缺乏将新生儿时期区域MRI扩散变化与幼儿结局相关的研究。因此，这项研究介绍了新生儿时期基于体素的ADC分析的结果，以及2岁儿童的早产儿的神经运动和神经认知结果。
occ-vo：通过基于3D占用率的视觉探针的密集映射用于自动驾驶
摘要 - 视觉进程（VO）在自主系统中起关键作用，主要挑战是相机图像中缺乏深度信息。本文介绍了OCC-VO，这是一个新颖的框架，该框架利用了深度学习的最新范围，将2D摄像机图像转换为3D语义占用，从而规定了传统的同时估计自我姿势和地标地点的需求。在此框架内，我们利用TPV形式将环绕摄像机的图像转换为3D语义占用。解决了这种转换所带来的挑战，我们专门为姿势估计和映射算法定制，该算法结合了语义标签滤波器，动态对象滤波器，最后利用Voxel Pfilter来维护一致的全局语义映射。对OCC3D-NUSCENES的评估不仅展示了成功率提高了20.6％，并且针对ORB-SLAM3的轨迹精度提高了29.6％，而且还强调了我们构建全面地图的能力。我们的实施是开源的，可在以下网址提供：https：//github.com/ustclh/occ-vo。
患有自闭症谱系障碍的女性的异常自发性大脑活动
静息状态是指受试者不执行任何任务的状态。在这种状态下，大部分能量都用于大脑的自发活动，这会导致大脑局部区域的血流和血氧水平发生变化（ Lv et al., 2018; Raimondo et al., 2021 ）。功能性磁共振成像 (fMRI) 能够检测到大脑的变化，这些变化定义为血氧水平依赖性（粗体）信号（ Lee et al., 2013 ）。区域同质性 (ReHo) 基于 Kendall 系数一致性 (KCC)，用于测量给定体素与其最近邻之间的时间序列的相似性（ Zang et al., 2004 ）。低频波动幅度（ALFF）测量每个体素在0.01～0.08Hz范围内时间序列的波动幅度，而低频波动分数（fALFF）测量低频波动对整个可检测频率范围的相对贡献（Zang等，2007；Zou等，2008）。与揭示脑区间时间相关性的功能连接（FC）相比，ReHo、ALFF和fALFF不需要事先假设来确定种子区域，同时，根据ReHo、ALFF和fALFF结果确定的异常脑区可以作为FC分析的种子。 ReHo、ALFF 和 fALFF 值用于评估自发性大脑活动，并已成功应用于各种神经和精神疾病的研究，如注意力缺陷多动障碍 (Shang et al., 2016, 2021)、阿尔茨海默病 (Song et al., 2021)、精神分裂症 (Sun et al., 2021) 和帕金森病 (Yue et al., 2020)。
可解释的多时间尺度模型，用于预测fMRI对连续自然语音的响应
自然语言包含多个时间尺度的信息。要了解人脑如何代表此信息，一种方法是使用从神经网络语言模型（LMS）中提取的表示fMRI对自然语言的反应进行编码模式。但是，这些LM衍生的代表并未在不同的时间表上明确分开信息，因此很难解释编码模型。在这项工作中，我们通过强迫LSTM LM中的单个单位来整合特定时间尺度的信息来构建可解释的多时间尺度表示形式。这使我们能够明确并直接映射每个fMRI Voxel编码的信息的时间尺度。此外，标准fMRI编码过程在编码功能中没有考虑不同的时间属性。我们修改了该过程，以便可以捕获短时和长时间的信息。这种方法超过了其他编码模型，特别是对于代表长时间信息的体素。它还在人类语言途径中提供了时间尺度信息的范围图。这是未来工作的框架，调查了人工和生物语言系统之间的时间层次结构。
3D可打印的梯度晶格设计用于多态性...
摘要 - 人的手指通过结合刚度不同的结构（从软组织（低）到肌腱和软骨（中）到骨骼（高），实现了异常的灵巧性和适应性。本文探讨了开发具有相似多态性特征的机器人手指。具体来说，我们建议使用通过体素大小和单位细胞几何形状参数的晶格配置，以优化并实现具有高粒度的精细调谐刚度。这种方法的一个重要优势是在单个过程中打印设计的可行性，消除了对刚度不同的元素的手动组装的需求。基于这种方法，我们提出了一种新颖的人类手指和一个软抓手。我们将后者与刚性操纵器集成在一起，并证明了挑选和放置任务的有效性。
纵向脑 MRI 与 MS 病变活动变化算法筛查患者统计检测评估
变化蒙版。2、8-15 最近，基于监督深度学习的卷积神经网络模型已成为主要方法。16-20 尽管研究进展迅速，但在体素或病变水平上的检测灵敏度和特异性仍然中等（灵敏度和特异性；，0.8）。4、7 我们之前引入了统计变化检测（SDC）算法作为自动病变变化检测工具，以视觉上协助人类读者。该算法将最佳二元变化检测器应用于 2 个纵向配准的 FLAIR 图像的减法，以描绘出可能存在新病变的大脑区域。14 本研究的目的是评估在 SDC 的协助下，人类读者在受试者级别检测方面的表现是否有所改善，并与临床工作流程中操作的人类读者的基准进行比较。