摘要。胸肌分割是乳腺磁共振成像(MRI)的各种计算机辅助应用中的关键步骤。由于胸部和乳房区域之间的伪影和同质性,胸肌边界估计并不是一项琐碎的任务。在本文中,提出了一种基于深度学习的全自动分割方法,以准确描述轴向乳房MR图像中的胸肌边界。提出的方法涉及两个主要步骤:胸肌分割和边界估计。对于胸肌分割,基于U-NET结构的模型用于从输入图像中分离胸肌。接下来,通过候选点检测和轮廓分割来估计胸肌边界。使用两个Real-World数据集,我们自己的私人数据集和一个公开可用的数据集对所提出的方法进行了定量评估。第一个数据集包括12名患者乳房MR图像,第二个数据集由80名患者乳房MR图像组成。所提出的方法在第一个数据集中达到了95%的骰子得分,第二个数据集的骰子得分为89%。在大规模定量乳房MR图像上评估该方法的高分割性能表达了其在将来的乳腺癌临床应用中的潜在适用性。
[6] Aalam、Syed Wajid、Abdul Basit Ahanger、Muzafar Rasool Bhat 和 Assif Assad。“推荐系统中公平性的评估:回顾。”《计算机工程新兴技术:认知计算和智能物联网:第五届国际会议 ICETCE 2022,印度斋浦尔,2022 年 2 月 4 日至 5 日,修订精选论文》,第 456-465 页。Cham:Springer International Publishing,2022 年。
数据说明了一切•意大利是欧洲最古老的国家。意大利在世界出生时预期寿命排名中位居第五,仅次于香港、日本、瑞士和新加坡(男性为 80.5 岁,女性为 84.8 岁)。然而,老龄化质量较差,65 岁以上人群的健康状况差异很大。一旦达到 65 岁,健康预期寿命仅为 10 年,男女之间差别不大(Istat 数据)。人口老龄化带来了一系列挑战,其中许多挑战已为人所知并已争论了一段时间,但应对这些挑战的方案却不太为人所知和分享。人口老龄化和少子化带来的第一个挑战是如何应对福利成本的增加。社会保障和医疗卫生支出占国内生产总值的近25%,其中我国社会保障支出在最发达国家中位居第一(OECD数据),而与老年人口的需求相比,社会护理支出的资金越来越不足。第二个挑战涉及劳动力市场,因为人口急剧下降:从 2022 年的 5900 万人减少到 2080 年预计的 400 万人以上。20 世纪 50 年代至 70 年代(人口爆炸式增长的几年)期间,几乎有一半的意大利人出生,在未来 25 年内,他们将达到退休年龄(约 800 万工人),每天近千人。总体劳动力(由处于工作年龄(15-64岁)的人组成)的减少意味着公司将越来越难以找到可雇用的工人,并且需求和供应之间的技能不匹配将越来越严重。此外,到2050年,劳动年龄人口与非劳动年龄人口的比例将从目前的3比2变为1比1:因此,每有一个“劳动”年龄人口,就会有一个“被动”年龄人口,即依赖福利的人口。经合组织的报告《寿命更长,工作更长》分析了这些事实的含义,提醒我们寿命更长也意味着工作时间更长,如果没有适当的应对,人口变化将不可避免地对家庭福祉、公共财政以及劳动力市场产生影响。尽管到目前为止,人口结构转变效应的渐进性使我们能够推迟必要的改革,但不作为的代价会随着时间的推移而增加,从而使潜在的再平衡越来越遥不可及。但与年轻人相比,人口结构中更大的比重到底起到了什么作用,我们真的知道多少呢?这是否影响经济运转?事实上,这是一个分析老年人经济部分功能的问题,由于老年人寿命较长,他们不仅在社会保障和医疗保健方面有新的需求,而且在消费、投资、投资组合选择和环境可持续性方面也有新的需求。这是一个多元化的世界,由接近退休的工人、年轻的退休人员和仍然活跃的老年人组成,但也由具有不同需求的非自给自足的个人组成。寿命的延长导致人口统计学上产生了新一代:长世代,即那些在 65 岁以后仍然活跃的人群。在这个漫长的晚年阶段,人们只有在 70-75 岁之后才可以被视为老年人,而且在许多情况下
摘要:本文研究了规范自主武器的适当原则,其中一些原则已纳入国际人道主义法 (IHL),其他一些原则仍仅停留在理论上。区分平民和非平民、解决责任空白和比例原则是规范人工智能 (AI) 战争使用的基本原则,但必须将人类对战争人工智能的重大控制纳入其中。通过假设演绎程序,采用定性方法和文献综述,得出结论:实现区分标准、价值敏感设计、消除问责空白、重大人类控制和国际人道法必须支持对自主武器系统使用的规范——然而,区分平民和非平民和比例原则在技术上尚不可行,这使得遵守国际人道法仍然依赖于重大人类控制;而战争人工智能算法的不透明性将使其使用的法律责任变得困难。
世界经历了从饥荒时代到全球粮食生产时代的显着转变,该时代满足了成倍增长的人口。这种转变已经通过重要的农业革命实现,这是通过注入机械,工业和经济投入的强化为标志的农业。然而,农业的这种快速发展也导致了农药,肥料和灌溉等农业投入的扩散,这些投入引起了长期的环境危机。在过去的二十年中,我们目睹了农作物生产的高原,耕地损失以及气候条件下的急剧转变。这些挑战强调了迫切需要通过参与式方法来保护我们的全球下议院,尤其是环境,该方法涉及全球国家,无论其发展地位如何。为了实现农业可持续性的目标,必须采用多学科的方法来整合诸如生物学,工程,化学,经济学和社区发展等领域。在这方面的一项值得注意的举措是零预算自然农业,它强调了利用植物和动物产品的协同作用来增强作物的建立,建立土壤肥力并促进有益的微生物的增殖。最终目标是创建自我维持的农业生态系统。这篇评论倡导在自然农业中纳入生物技术工具,以环保的方式加快此类系统的动态。通过利用生物技术的力量,我们可以提高农业生态学的生产率,并产生大量的食物,饲料,饲料,纤维和营养素,以满足我们不断扩大的全球人群的需求。
非酒精性脂肪性肝病 (NAFLD) 是世界上最常见的慢性肝病 (1)。在没有酒精过量使用和其他导致肝脏脂肪变性的原因的情况下,如果脂肪饱和度超过肝脏重量的 5% (2),即可诊断为 NAFLD。NAFLD 可发展为 NASH (非酒精性脂肪性肝炎)、晚期纤维化、肝硬化,并最终发展为肝细胞癌 (3)。全球 NAFLD 的发病率估计为 25%,而美国的 NAFLD 病例数呈上升趋势,从 2015 年的 8300 万增加到 2030 年的 1.01 亿 (4)。NAFLD 主要发生在中东和南美洲 (5)。伊朗 NAFLD 的发病率估计为近 33.9%,伊斯法罕 39.3% 的人口患有此病 (6-8)。此外,由于肥胖症的流行,全世界患 NAFLD 的人口正在增加(9)。NAFLD 可导致原发性胰岛素抵抗,也可能是胰岛素抵抗的结果,因此它与代谢综合征的组成部分密切相关,包括肥胖、胰岛素抵抗、血脂异常和高血压(10)。此外,糖尿病前期个体患糖尿病的风险最高可增加两倍。胰岛素抵抗是糖尿病病理生理的主要因素(11-13),在 NAFLD 和糖尿病之间很常见(14)。动脉粥样硬化是一种持续的炎症过程,导致动脉壁上形成斑块。动脉粥样硬化形成的病理生理是多因素的;尽管如此,所有过程都是由于促炎、内皮床功能障碍和氧化应激相互作用而发生的(15、16)。查阅文献显示,胰岛素抵抗与动脉粥样硬化形成之间存在直接而重要的关联。鉴于此,胰岛素抵抗与血清中促炎因子(如白细胞介素 1 (IL-1)、IL-6 和肿瘤坏死因子 α (TNF- α))以及导致氧化应激的自由氧自由基水平升高有关。此外,在胰岛素抵抗患者中,不适当的血小板聚集和动脉内膜中层钙斑块沉积导致内皮功能障碍已得到充分阐明(17)。理论上,由于在 NAFLD 和糖尿病前期中都可以检测到胰岛素抵抗的痕迹,两者的巧合可能使个体越来越容易患上 CVD。最近对 7 年间 34,000 名患有 NAFLD 和胰岛素抵抗的患者进行的荟萃分析发现,NAFLD 和胰岛素抵抗使 CVD 死亡和发病的风险增加了 65%。事实上,NAFLD 患者最常见的死亡原因是心血管原因(18)。尽管如此,研究 NAFLD 和糖尿病前期对 CVD 发病率影响的研究者数量有限,本回顾性病例对照研究旨在评估这一问题。
毫无疑问,俄罗斯在乌克兰的战争已经成为了解未来无人机战争如何形成的最重要的冲突。本研究报告通过对乌克兰战场上经过实战检验的实践的全面分析,确定了九个关键要点。这些经验教训涵盖技术、理论和政策。报告的四个章节探讨了在各个功能和作战领域中提高无人机能力的主要机会。它们还强调了在开发、集成和部署新型无人系统过程中面临的持续挑战。但重要的是,无人机并不是取得战略胜利或打赢战争的灵丹妙药。因此,本报告努力管理对无人机能力的期望,同时强调人力资本的核心作用。事实上,当与新的使能技术相结合时,熟练的专家可以创造出有效的无人机性能。
NSWCPD 团队负责海军水面舰艇和潜艇的非核机械、船舶机械系统以及相关设备和材料的研发、测试和评估、采购支持以及在役和物流工程。NSWCPD 也是为所有船舶系统提供网络安全的牵头组织。
精确农业涉及使用实时信息来增强对资源的有效利用和对农业方法的监督,同时却最大程度地减少了不利的环境影响。多亏了遥感技术的进步,现在在农业部门中生产了大量的大数据。当使用机器和深度学习技术进行分析时,该数据需要转换为有价值的信息,已证明是有益的。这个研究主题“大数据,机器和深度学习的最新进展”吸引了20种高质量的文章,这些文章涵盖了现状的应用以及人工智能,大数据,特征优化,作物疾病检测和分类的精确农业的技术发展。在不断发展的农业景观中,三个关键主题已成为变革性变革的信标。本社论探讨了塑造农业未来的创新领域,重点是三个相互联系的主题:植物疾病检测和作物健康监测的进步,在精确农业中的人工智能(AI)和机器学习(ML)的整合以及用于作品生产优化的方法。在农业科学领域,由于开创性的研究努力,植物疾病检测和作物健康监测的动态景观已经取得了重大进展。Shoaib等。解决噬菌毒全球问题通过强调机器学习技术的关键作用来面对手动监测植物疾病的持续挑战。他们的工作提出了一个基于深度学习的系统,利用了在一个大量数据集中训练的卷积神经网络(Inception Net),其中包括18,161个细分和非细分的番茄叶图像。值得注意的是使用两个最先进的语义分割模型U-NET和修改的U-NET进行疾病检测和分割。结果展示了修改后的U-Net模型的出色性能,超过现有方法,并以高精度对植物疾病进行分类时的效率。