XiaoMi-AI文件搜索系统
World File Search SystemWeighted
机器学习模型能否使用基于扩散加权成像的放射组学改善脑转移的早期检测？
当癌细胞从原发癌部位通过血液扩散并在脑内形成新肿瘤时，就会形成颅内转移，从而导致严重的疾病负担和患者发病率。转移性并发症是约 90% 癌症相关发病率的罪魁祸首 (1)，多达 40% 的癌症患者在其一生中会经历至少一次颅内转移 (2)，其中大多数转移源自肺癌、乳腺癌或黑色素瘤。常规治疗方案包括手术切除、全脑放射治疗、立体定向放射外科 (SRS)、全身治疗或这些方法的组合 (3,4)。在使用 SRS 治疗之前，需要高分辨率磁共振成像 (MRI) 来正确定位转移，以实现局部控制，同时保护周围的健康脑组织。脑转移成像的标准方案是使用钆增强 T1 (Gd-T1) 加权 MRI。脑转移形成伴随着癌细胞侵入组织实质。血管生成和肿瘤生长导致脑内微结构变化。因此，随着转移的发展，水分子的扩散会随时间而变化。扩散加权成像 (DWI) 是一种 MRI 技术，利用体内水分子的动力学来产生对比度 (5)，从而可以对这些微结构变化进行成像，而这些变化在传统的 Gd-T1 上可能无法检测到。此外，由 DWI 生成的表观扩散系数 (ADC) 图提供了定量图像集，允许对在不同时间拍摄的多个 DWI 会话的数据进行定量比较。迄今为止，大多数关于脑转移的 DWI 研究都集中在仅分析一次成像会话或治疗前的一组图像集以及治疗后的一组或几组图像集。我们的机构每年治疗超过 200 名 SRS 患者，其中约 20% 的患者需要重新治疗转移性
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
使用加权定向的无环图进行重大维修房地产物品：节能措施的最佳组合简介
摘要。在2005年至2019年期间，世界各地对世界各地进行的能源消耗分析表明，能源消耗的增长仅在每年增加，需要一定的节能措施。最大的能源消耗是在建筑业中，即与大城市城市化有关的住宅建筑。能源消耗不仅取决于温度和照明控制系统的能源效率，还取决于其运营的建筑物的效率。基于此，考虑到有条件地分为“旧公寓楼”和“新公寓楼”（取决于建筑时期）的Voronezh市的住房库存。多区域建筑物。根据获得的数据，分别对旧公寓楼和新公寓楼的能源消耗进行了统计分析。在研究的基础上，在使用加权定向的无环图计划进行大量维修（AB）时，提出了算法进行节能措施引入。
利用可学习的 3D PE 加权池化对阿尔茨海默病诊断进行高效训练
摘要：三维卷积神经网络 (3D CNN) 已广泛应用于分析阿尔茨海默病 (AD) 脑图像，以更好地了解疾病进展或预测从认知障碍 (CU) 或轻度认知障碍状态的转变。众所周知，由于医学成像领域的样本量较小，训练 3D-CNN 的计算成本很高，并且有可能过度拟合。在这里，我们提出了一种新颖的 3D-2D 方法，通过使用可学习加权池化 (LWP) 方法将 3D 脑图像转换为 2D 融合图像，以提高训练效率并保持可比的模型性能。通过 3D 到 2D 的转换，所提出的模型可以轻松地通过预先训练的 2D 模型转发融合的 2D 图像，同时在不同的 3D 和 2D 基线上实现更好的性能。在实施过程中，我们选择使用 ResNet34 进行特征提取，因为它的表现优于其他 2D CNN 主干。我们进一步表明，切片的权重与位置有关，模型性能取决于 3D 到 2D 融合视图，冠状视图的结果最佳。与传统的 3D CNN 相比，使用新方法，我们能够减少 75% 的训练时间，并将准确率提高到 0.88，使用公开的阿尔茨海默病神经影像计划数据集对 CU 参与者的 AD 患者的淀粉样蛋白 PET 成像进行分类。这种新颖的 3D-2D 模型可能对未来在临床环境中及时诊断 AD 具有深远的影响。
分配公式和收敛的技术指南
2.3.1 Methodology ...................................................................................... 9 2.3.2 Weighted populations ........................................................................ 9 2.3.3 Fair shares formula ......................................................................... 11 2.3.4 Population base ............................................................................... 11 2.3.5 Variation in need ............................................................................................................................................................................................................................................................................................................................................................................................... .......................................................
燃油经济性数据集和越南9个座位以下的乘用车的基线
在2005 - 2019年期间，公路汽车的摘要/越南人拥有1000名越南的人，与其他国家/地区的数据收集和实现过程相比，新注册的乘用车在9个座位下的新注册乘用车，2016-2020期，2016-2020新注册的新型乘用车的新型驾驶员9座，新型驾驶员9座的新型驾驶员9个座位，燃料的9个座位，燃料式驾驶员9个座位，这是新的注册车辆的9座，燃料的驾驶员9个座位，燃料的9个座位，燃料的9个座位，燃料的燃油式驾驶员9个座位。 2016-2020 Average engine displacement of newly registered vehicle Newly registered vehicle split by weight, 2016-2020 Average kerb mass of newly registered vehicle (tons) Weighted average fuel consumption by engine displacement Market share by engine displacement and weighted average FC Average FC by engine displacement and fuel type Average FC by engine displacement and engine type Average FC by range of engine displacement Weighted average fuel consumption by weight Market share by kerb mass and average fuel 9座以下新注册的乘用车的消费燃料消耗9座以下的新注册的乘用车的平均FC平均fc，以下是9个座位以下的座位，加权平均FC按燃料类型市场份额和平均CO 2排放值值量的历史平流CO 2排放性能和当前标准（GCO 2 /km）和制造商的新注册汽车数量< /div> < /div>
公司估计温室气体（GHG）排放
Training Data ................................................................................................................................................................ 10 Multiple model approach .............................................................................................................................................. 10 Model 1: Sector Median ............................................................................................................................................... 10 Model 2: Input-Output model........................................................................................................................................ 11 Model 3: The Inverse Distance Weighted (IDW) interpolation model (Scope 1 and 2 only) ....................................... 11 Model 4: Linear Regression (Scope 3 upstream and downstream only) ..................................................................... 11 Aggregation strategy .................................................................................................................................................... 11
AAAI-25海报时间表.xlsx
Wonhyeok Choi; Kyumin Hwang; Minwoo Choi; Kiljoon Han; Wonjoon Choi; Mingyu Shin; Sunghoon Im Friday February 28, 12:30pm 14105 - Weighted Poisson-disk Resampling on Large-Scale Point Clouds Xianhe Jiao; Chenlei Lv; Junli Zhao; Ran Yi; Yu-Hui Wen; Zhenkuan Pan; Zhongke Wu; Yong-Jin Liu Friday February 28, 12:30pm-2:30pm