XiaoMi-AI文件搜索系统
World File Search Systemeess
![arxiv：2402.16320v1 [eess.sp] 2024年2月26日](/simg/8/8ab716398e44362a86f7cae4e23ee08b093c5014.webp)
arxiv：2402.16320v1 [eess.sp] 2024年2月26日
摘要 - 本文着重于基于FSO的无线功率传输（WPT），从Earth-Moon Lagrangian Point-2（EMLP-2）到接收器的光学天线，配备了太阳能电池，这些天线可位于LUNAR FAR侧（LFS）的任何地方。emlp-2位于单个稳定卫星和EMLP-2光晕轨道旋转旋转单，双卫星和三卫星的不同太阳能卫星（SPS）配置，以100％LFS表面覆盖率（SCP）（SCP）和连续的地球可见度评估。发现，在EMLP-2光环轨道上的等距三卫星方案，半高轴长度为15,000 km，为LFS提供了完整的SCP，对于连续的LFS无线电源传输至关重要。在我们提出的动态CISLUNAR空间模型中，地球系统的几何和时间参数用于AFFILE转换。我们的动态模型使我们能够确定特定区域（例如LFS Southern Pole）的完整覆盖时间率。结果表明，等距双卫星方案在这些卫星围绕EMLP-2光晕轨道围绕这些卫星的单一革命时提供了SCP = 100％。最后，确定随机收获功率P H的概率密度函数（PDF），并验证从稳定的EMLP-2卫星中提取的仿真数据和围绕EMLP-2 Halo轨道围绕EMLP-2 Halo轨道旋转的卫星提取的模拟数据，以最小和最大的LOS距离。尽管考虑了稳定和旋转的SPS的指向设备减轻随机错位错误，但考虑稳定的卫星的指向精度更好。我们的模拟表明，稳定卫星的PH≤41.6W的概率约为0.5，而旋转卫星案例的CDF = 0.99的发射功率为1 kW。
![arxiv：2402.13776v1 [eess.iv] 2024年2月21日](/simg/a/ac0b60b10798999275667e9daa0881f6832a3270.webp)
arxiv：2402.13776v1 [eess.iv] 2024年2月21日
早期婴儿期是行为和神经认知的快速而动态的神经发育。纵向磁共振成像（MRI）是通过捕获大脑结构的发育性发展来研究这种关键阶段的有效工具。但是，由于参与者辍学和扫描失败，纵向MRI获取始终遇到严重的数据失误问题，这使纵向婴儿大脑Atlas的构建和发展轨迹描述非常具有挑战性。由于开发了基于AI的生成模型，神经图像完成已成为一种有力的技术，可以保留尽可能多的可用数据。但是，当前的图像完成方法通常在时间维度中每个内部主题内部都遇到不一致的，从而损害了整体质量。为了解决这个问题，我们的论文提出了一个两阶段的扩散模型Cas-diffcom，用于致密和纵向3D婴儿脑MRI MRI完成和超级分辨率。我们将提出的方法应用于Baby Connectome项目（BCP）数据集。实验结果验证了Cas-Diffcom在纵向婴儿脑图像完成中既可以达到单个共识和高保真度。我们进一步将生成的婴儿脑图像应用于两个下游任务，即脑组织分割和发育轨迹描述，以声明其在神经科学领域中面向任务的潜力。
![arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日](/simg/2/2a2d8560fd16ea111afbc2d7643448aea34eda89.webp)
arXiv:2402.07008v1 [eess.IV] 2024 年 2 月 10 日
摘要。由于样本有限、形状差异大以及肿瘤形态分布不均匀，从多模态脑 MRI 图像中进行肿瘤分割是一项具有挑战性的任务。随着深度学习的最新进展，自动医学图像分割的性能得到了显着改善。然而，模型预测在准确性和通用性方面尚未达到临床使用所需的水平。为了解决 BraTS 2023 挑战 1、2 和 3 中提出的独特问题，我们构建了一个基于 3D U-Net 模型的脑肿瘤分割优化框架。该框架融合了一系列技术，包括各种预处理和后处理技术以及迁移学习。在验证数据集上，该多模态脑肿瘤分割框架在挑战 1、2、3 上分别实现了平均病变 Dice 得分 0.79、0.72、0.74。
![arxiv：2402.01509v1 [eess.iv] 2024年2月2日](/simg/4/4b7645e5b3c1864e446046fa02f2107577a4ac14.webp)
arxiv：2402.01509v1 [eess.iv] 2024年2月2日
有许多用于对MRI图像的大脑磁共振自动分析的算法，以帮助临床决策。然而，为脑肿瘤患者进行自动图像处理是一项挑战，因为许多算法旨在分析健康的大脑，并且可能无法有效地处理病变的图像。这种算法的例子包括大脑解剖学解析，组织分割和脑提取。我们提出，通过患病的脑扫描进行健康的脑部扫描可能会解决这一挑战，并且该问题被提出为3D涂上任务[1]。在计算机愿景中的一项基本任务中，多年来一直在进行重要的进步。其主要目标是在2D自然图像中实际填充缺失区域，从而实现各种应用，包括图像恢复，对象删除和图像完成。计算机视觉社区已经开发了许多复杂的算法，这些算法在二维图像的背景下应对挑战，取得了令人印象深刻的结果，并推动了该领域的最新艺术品。尽管在2D介绍中取得了显着的进展，但这些算法对3D领域的适应，尤其是在医学成像的背景下，仍然是一个开放的问题。本文旨在探讨与MRI扫描3D介入相关的挑战，并研究适应的可行性
![arxiv：2310.14172v1 [eess.iv] 2023年10月22日](/simg/4/47f8e9f4396ab1ab6f233e20a38e3c49031effe7.webp)
arxiv：2310.14172v1 [eess.iv] 2023年10月22日
摘要。胎儿脑图像的自动组织分割是对产前神经发育的定量分析。但是，产生胎儿脑成像的体素水平注释是耗时且昂贵的。为了降低标签成本，我们提出了一个适应性的无监督域适应性（UDA）设置，该设置适应了高质量胎儿脑图的分割标签，以从另一个领域的未标记的胎儿脑MRI数据。为了解决任务，我们基于外观和结构同意，为ASC提供了一个新的UDA框架。我们通过约束基于频率的图像转换之前和之后的一致性来使分割模型适应不同域的外观，即交换脑MRI数据和地图集之间的外观。认为，即使在同一结构域中，不同妊娠年龄的胎儿脑形象也可能在解剖结构上有很大的变化。使该模型适应目标域中的结构变化，我们在不同的结构扰动下进一步增强了预测一致性。FETA 2021基准的广泛实验证明了与基于注册的，基于半监督的学习和现有基于UDA的方法相比，我们的ASC的有效性。
![arXiv:2310.02829v1 [eess.IV] 2023 年 10 月 4 日](/simg/0/06579e6bea4781d569c631e9f6e68939710b8d1a.webp)
arXiv:2310.02829v1 [eess.IV] 2023 年 10 月 4 日
摘要。脑转移瘤 (BM) 是最常见的脑肿瘤。使用立体定向放射外科治疗多发性 BM 患者需要准确定位转移瘤。神经网络可以协助完成这项通常由人类专家执行的耗时且昂贵的任务。检测小病变尤其具有挑战性，因为它们在现有方法中往往代表性不足。然而，病变检测对所有大小都同样重要。在这项工作中，我们开发了一组神经网络，专门用于检测和分割小 BM。为了完成这项任务，我们训练了几个神经网络，专注于 BM 分割问题的各个方面：我们使用 blob 损失来专门解决病变实例在大小和纹理方面的不平衡，因此不会偏向较大的病变。此外，使用 T1 和 T1 对比增强序列之间的减法序列的模型专注于低对比度病变。此外，我们只针对小病变训练额外的模型。我们的实验证明了额外的 blob 损失和减法序列的效用。然而，在集成中包含专门的小病变模型会使分割结果变差。我们还发现，受领域知识启发的后处理步骤可以在大多数实验中大大提高我们的性能。我们的方法使我们能够向 ASNR-MICCAI BraTS 脑转移挑战赛 2023 提交具有竞争力的挑战参赛作品。
![arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现](/simg/6/695a887162683872622af1dd7bade269710e62f2.webp)
arXiv:2302.13057v2 [eess.IV] 2023 年 9 月 24 日 - UCL 发现
MRI 的最新进展促成了大型数据集的产生。随着数据量的增加，在这些数据集中找到同一患者的先前扫描结果变得越来越困难（这一过程称为重新识别）。为了解决这个问题，我们提出了一种名为 DeepBrainPrint 的 AI 驱动的医学影像检索框架，旨在检索同一患者的脑部 MRI 扫描结果。我们的框架是一种半自监督对比深度学习方法，具有三项主要创新。首先，我们结合使用自监督和监督范式，从 MRI 扫描结果中创建有效的脑部指纹，可用于实时图像检索。其次，我们使用特殊的加权函数来指导训练并提高模型收敛性。第三，我们引入了新的成像变换，以提高在存在强度变化（即不同的扫描对比度）的情况下的检索稳健性，并考虑患者的年龄和疾病进展。我们在阿尔茨海默病神经影像计划 (ADNI) 的 T1 加权脑部 MRI 大型数据集和用于评估不同图像模式的检索性能的合成数据集上测试了 DeepBrainPrint。我们的结果表明，DeepBrainPrint 的表现优于之前的方法，包括简单的相似性指标和更先进的对比深度学习框架。
![arxiv：2309.10835v1 [eess.iv] 19923年9月19日](/simg/f/f70b7fae62dc1a166c2e1490d0831175fdcede09.webp)
arxiv：2309.10835v1 [eess.iv] 19923年9月19日
摘要。MRI的大脑年龄预测已成为与广泛的神经病理学相关的流行成像生物标志物。但是，用于培训的数据集经常会偏斜和不平衡人口统计学，有可能使脑时代预测模型容易受到偏见的影响。我们通过进行全面的亚组性能分析和功能检查来分析常用的Resnet-34模型。该模型接受了Cam-Can和IXI的1,215 T1加权MRI扫描的训练，并在英国生物库中进行了测试（n = 42,786），分为六个种族和生物性性亚组。是通过比较亚组之间的表现的目的，通过绝对预测误差来衡量，我们使用Kruskal-Wallis检验，然后进行两次事后Conover-Iman测试，以检查种族和生物学性别的偏见。要检查生成的特征中的偏差，我们使用PCA进行降低降低，并使用两个样本的Kolmogorov-Smirnov测试来识别亚组之间的分布变化。我们的结果揭示了黑白，黑人和亚洲以及男性和女性受试者之间的预测性能统计学上显着差异。十二个成对比较中有7个在特征分布上显示出统计学上的显着差异。我们的发现要求进一步分析大脑年龄预测模型。
对内存系统实际处理的机器学习培训的实验评估
摘要 - 大约三分之一的2型糖尿病患者（T2D）升级为基础胰岛素注射。基底胰岛素剂量被滴定以实现一个不高血糖风险的严重血糖靶标。在护理标准（SOC）中，滴定基于间歇性禁食血糖（FBG）的调查。缺乏依从性和FBG测量中的日常变异性是现有胰岛素滴定程序的限制因素。我们提出了一种自适应退化的地平线控制策略，其中识别出葡萄糖 - 胰岛素空腹模型并用于预测最佳的基础胰岛素剂量。使用新的UVA虚拟实验室（UVLAB）评估了该算法在Silico实验中评估，并与一组与临床数据相匹配的T2D头像（NCT01336023）。与SOC相比，我们表明，这种控制策略可以更快地实现相同的葡萄糖靶标（在第8周时）和更安全（低血糖保护和对缺失FBG测量的鲁棒性）。Specifically, when insulin is titrated daily, a time-in-range (TIR, 70–180 mg/dL) of 71.4 ± 20.0% can be achieved at week 8 and maintained at week 52 (72.6 ± 19.6%) without an increased hypoglycemia risk as measured by time under 70 mg/dL (TBR, week 8: 1.3 ± 1.9% and week 52: 1.2与SOC相比（第8：59.3±28.0％和周的TIR相比，±1.9％）。这种方法可以潜在地减少治疗惯量和处方复杂性，从而改善使用基底胰岛素注射的T2D血糖结果。
开始生命报价
什么是H2Teesside？H2Teesside是提斯山谷中提议的大规模蓝色氢生产设施。它的目标是成为英国最大的蓝色氢生产设施之一。在两个发展阶段，开发的氢生产最高为1.2 gigawatt（GW）。什么是蓝色氢？蓝色氢或支持CCUS的氢是从天然气中提取的氢，但是在此过程中产生的绝大多数二氧化碳被捕获并永久储存。绿色氢通常被定义为电解低碳氢，是使用可再生和低碳电力源（例如太阳能和风能）进行的。电解是通过物质通过物质影响化学变化的过程。在这种情况下，将水分子（H2O）拆分成氢（H2）和氧（O2）。为什么需要蓝色氢？您不能生产绿色氢吗？在英国氢战略（2021年8月出版）中，英国政府制定了一种并行支持绿色氢和蓝色氢的方法，旨在使该行业的快速增长，同时降低成本。产生绿色氢依赖于通过风能和太阳能等方法产生的足够，可靠的低碳电力供应。在需要的时间尺度（在需要的时间范围内）以工业规模产生绿色氢的当前量表对生产绿色氢提出了重大挑战。蓝色氢作为必要且低成本的选择，可以利用整个Teesside地区的现有基础设施，从而促进英国的能源过渡。