XiaoMi-AI文件搜索系统
World File Search Systemeight
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
最佳BET甲烷消除饲料对埃塞俄比亚本地Menz Breed绵羊的饲料摄入量，消化率，活体重变化和甲烷排放的影响
这项研究继续对埃塞俄比亚的最佳营养成分和低甲烷（CH 4）生产进行本地可用的反刍动物饲料的体外筛查。在体外研究中获得的最好的BET饲料（以下称为测试饲料）包括尼罗拉（Acacia nilotica），Ziiphus spina-christi和Brewery Evener Green Grains（BSG）的干燥叶片。该研究涉及四种治疗方法：对照，相思，BSG和Ziiphus；每种治疗都提供了相同的粗蛋白，并使用建模和激光CH 4检测器（LMD）估计肠肠排放。该实验被设计为一个随机完整的块，使用初始重量作为21岁cast割的Menz绵羊的阻滞因子。这项研究跨越了90天，在喂养试验一个月后进行了消化率试验。对照组与具有较高摄入量的测试饲料组相比，干物质摄入量（p <0.001）显着（p <0.001），尤其是在Ziiziphus组中。然而，Ziiphus组的CP消化率显着（P <0.01），比其他组低。测试饮食还显着增加了体重增加（p <0.001）。值得注意的是，Ziiphus组在体重变化（BWC），最终体重（FBW）和平均每日增益（ADG）方面表现出卓越的表现。相似的结果。测试饲料组的CH 4发射强度明显低于对照组。对照组排放了808.7和825.3 g Ch 4，而Ziiphus组分别使用建模和LMD方法分别排放了220和265.3 g Ch 4 ADG。这项研究表明LMD可以为绵羊产生生物学上合理的数据。尽管Ziiphus组的样本量较小是对这项研究的限制，但Ziiphus spina-christi和nilotica的叶子粉富含浓缩的单宁（CTS），它们的体重增加和增强的饲料效率可观，从而使这些叶子成为可爱的饲料和可持续的饲料，以供卑鄙的饲料和可持续的饲料。
用智能物联网，体重分析和机器学习彻底改变金库安全
摘要 - 尽管数字支付方法的增加，但持续使用实物货币，对存储钞票和硬币的保险库构成了安全挑战。传统的金库安全措施，包括物理障碍，时间锁，双控制系统和监视，容易受到复杂的攻击和内部威胁的影响。本文通过合并智能物联网（IoT）设备和机器学习算法来监视保险库货架上的钞票的重量，从而提出了一种新颖的方法来增强跳马安全性。通过跟踪和分析重量变化，该系统旨在检测差异和潜在盗窃。该系统采用各种机器学习模型，包括线性回归，套索回归，K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，以预测基于重量和面额的钞票数量。评估表明，线性回归和LASSO回归达到了最高的精度，使其成为该应用的最有效模型。挑战，例如有限的数据，计算资源限制以及对更精致功能的需求，以及潜在的改进，例如数据增强和增强的解释性。这种方法通过整合现代技术来保护盗窃和未经授权的访问，从而在保险库安全方面取得了重大进步。
从 T1 加权到 T2 加权的迁移学习……
摘要 磁共振 (MR) 成像是一种广泛使用的医学成像技术，可生成人体的详细解剖图像。MR 图像的分割在医学图像分析中起着至关重要的作用，因为它可以对各种疾病和状况进行准确的诊断、治疗计划和监测。由于缺乏足够的医学图像，实现精确的分割具有挑战性，尤其是在应用深度学习网络的情况下。这项工作的目的是研究从 T1 加权 (T1-w) 到 T2 加权 (T2-w) MR 序列的迁移学习，以最少的计算资源增强骨骼分割。利用基于激励的卷积神经网络，提出了四种迁移学习机制：无微调的迁移学习、开放微调、保守微调和混合迁移学习。此外，提出了一种使用 T2-w MR 作为基于强度的增强技术的多参数分割模型。这项研究的创新之处在于混合迁移学习方法，该方法克服了过度拟合问题，并以最少的计算时间和资源保留了两种模态的特征。使用 14 张临床 3D 脑 MR 和 CT 图像评估分割结果。结果表明，混合迁移学习在骨分割方面在性能和计算时间方面更胜一筹，DSC 为 0.5393 0.0007。虽然基于 T2-w 的增强对 T1-w MR 分割的性能没有显著影响，但它有助于改进 T2-w MR 分割并开发多序列分割模型。
儿童身体虐待对孩子的影响...
电锯广泛用于森林作业中木材收集活动的树切阶段。通常，有两种类型的电锯：汽油动力和电池供电。汽油和电池电锯的性能受到不同因素的影响，包括木材的水分含量，树种，环境条件，操作员的经验以及电锯的不同技术特征（功率，重量，链条旋转速度和棒状长度）。本研究旨在确定影响汽油动力电锯和电池供电的电锯的性能的技术标准的重量。在研究中，熵方法用于确定标准的重量。作为技术标准，最大功率的链速度，总圆柱体容量，功率，条形长度，链条音高和重量标准，并考虑了汽油电锯。在电池供电的电锯中，以最大功率，条形长，链条，重量和电池电压标准处于最大功率，链速度。一般评估技术标准的重量值时，汽油驱动的电锯中最重要的性能标准是功率标准，而电池供电锯中最大功率标准的链速度。基于该电源的功率因数对于两种电锯都是重要的。通常，这项研究的结果将使用户了解技术标准在替代选择不同类型的链锯的性能方面的有效性，这些链锯经常用于不同的活动，例如在森林砍伐阶段，修剪，修剪和花园维护的城市地区。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
纯Python中的轻巧的介质交通模拟器
通常，交通流量模拟器分为两个主要类别：显微镜和宏观。前者专注于详细的单个车辆行为，而后者则侧重于大规模（例如城市规模）交通的集体行为。介观交通模拟器有时分为宏观的交通模拟器是两者的混合物。尽管他们在某种程度上描述了个人车辆行为，但其主要目的是模拟大规模流量的集体行为。中镜模拟器对于建模大规模的交通管理和操作特别有用，例如拥塞定价，乘车共享和自动化的车队管理，这些天数越来越突出。几个显微镜交通模拟器被发表为开源软件，例如Sumo（Lopez等，2018）。据作者所知，介质和宏观模拟器的可用性是有限的。
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
托盘处理类似汽车的机器人的自动货运收集的停车姿势生成
摘要：本文着重于用于使用车辆中安装的托盘处理机器人自动收集货运的电动货车的自主导航。除了自动驾驶汽车导航外，车辆自治的主要障碍是货运的自主集合，无论货运方向/位置如何。这项研究重点是为车辆产生停车位，而不论货运以其自主收集而定向。货运方向是通过通过板载传感器捕获货运来计算的。之后，此信息使用数学方程式以及对车辆和货运收集限制的知识创建停车位。根据装载舱的可用性，生成了单独的停车位，用于车辆的单独装载湾。最后，将结果捕获和验证，以确定货运的不同方向以结束研究。