XiaoMi-AI文件搜索系统
World File Search Systemimage
从障碍到资产：AI方法利用光学现象产生更好的显微镜图像
通过采用生成AI模型，只需一次一次接触即可获得使QPI对生物医学应用吸引的必要图像质量。该团队于2月下旬举行的AI促进协会（AAAI 2025）于今年在费城组织的AI协会的第39届AI年会。相应的会议论文可在Arxiv预印式服务器上找到。
AI可以指导获取诊断质量肺超声图像
Cristiana Baloescu，M.D.，M.P.H.，来自康涅狄格州纽黑文的耶鲁大学医学院，同事们研究了AI在多中心诊断研究中通过THCPS指导THCP的诊断质量LUS图像的能力。年龄在21岁或以上的参与者从四个临床站点招募了两次超声检查：一名使用肺指导AI的THCP操作员和一个没有AI的训练有素的LUS专家。参与之前，THCP进行了标准化的AI培训以获取LUS。
无图像失真的透明可拉伸基材显示了下一代显示的潜力
使用迷你领导的设备和SIBS基板上的印刷图像的原始和剪切的SIBS膜之间垂直失真和变形差异的可视化。a）未拉伸设备的照片，d）印刷图像； b）设备和e）原始SIBS基板上的印刷图像伸展50％。c）设备和f）在剪切的SIBS基板上打印的图像伸展50％。（a – c）中的白色比例尺和（d – f）中的黑色比例尺每个代表1 cm。信用：高级材料（2024）。doi：
水下图像增强的多尺度级联注意网络
水下环境的复杂性以及水中的轻衰减和散射通常会导致水下图像中的质量降解，包括颜色失真和细节模糊。为了消除水下成像中的障碍，我们提出了一种基于级联注意网络MSCA-NET的水下图像增强方法。特别是该方法设计了一个注意引导的模块，该模块以串行和并行方式连接通道和像素的注意，以同时实现通道特征的重新填充和特征表示增强。之后，我们提出了一个多尺度特征集成模块，以捕获图像中不同尺度的信息和详细信息。同时，引入了残留连接，以通过从浅水功能中获取更详细的信息来帮助深度功能学习。我们在各种水下数据集上进行了广泛的实验，结果表明，与最新的水下图像增强方法相比，我们的方法仍然具有优势。
基于卷积神经网络的胸部X射线图像动态肺场的三阶段注册管道
1 1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<1，深圳Lanmage医疗技术公司，有限公司，深圳市，广东，中国广东，2 Neusoft Medical System Co.，2.中国申阳大学的生命与健康管理学院，第6次放射学系，广州医科大学第二附属医院，中国广州，7七国卫生科学与环境工程学院，宁岑技术大学，宁岑，宁津，中国，8工程学研究中心，医学成像研究中心，<
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。
参考虚拟晶格的HR-TEM和HR-STEM图像上应变和位移字段的定量映射
摘要：已经开发了一种高分辨率传输电子显微镜（HR-TEM）和高分辨率扫描传输电子显微镜（HR-STEM）图像的互惠空间处理方法。命名为“绝对应变”（Abstrain），它可以通过用户定义的Bravais晶格对平面间距离和角度，移位场以及应变张量组件进行定量和映射，并从特定于HR-TEM和HR-STEM成像的图像扭曲中进行校正。我们提供相应的数学形式主义。抽象超出了对现有方法的限制，即通过对感兴趣区域进行直接分析，而无需在同一视野上具有相似晶体结构的参考晶格边缘。此外，对于由两种或多种原子组成的晶体，每个原子都有其自身的子结构约束，我们开发了一种名为“相对位移”的方法，用于提取与一种原子类型的亚晶状体和测量原子色谱柱相关的子晶状体，并与与Bravais lattice lattice lattice lattice或另一个子结构相关的原子柱相关。证明了抽象和相对位移在功能性氧化物铁电异质结构的HR-STEM图像中的成功应用。
基于图像的髋部断裂风险评估的生物力学观点：进步和挑战
髋部骨折构成了重要的健康挑战，尤其是在老龄化的人群中，导致了大量的发病率和经济负担。大多数髋部骨折是由骨质疏松症和跌倒的组合引起的。准确评估髋部骨折风险对于确定高风险个体和实施有效的预防策略至关重要。当前的临床工具，例如断裂风险评估工具（FRAX），主要依赖于大量人群研究得出的临床风险因素的统计模型。但是，这些工具通常缺乏捕获直接影响骨折易感性的个体生物力学因素。因此，基于图像的生物力学方法主要利用双能X射线吸收仪（DXA）和定量计算机层析成像（QCT），它引起了人们的关注，因为它们的潜力提供了对骨骼强度的更精确评估的潜力，并具有涉及跌倒的影响，从而增强了风险预测的准确性。生物力学方法依赖于两个基本组成部分：评估骨骼强度并预测降落引起的撞击力。在基于图像的有限元（Fe）建模中进行了显着进步，以进行骨骼强度分析和降落诱导的影响力的动态模拟，但仍然存在重大挑战。在这篇综述中，我们研究了这些领域的最新进展，并强调了要提高领域并改善断裂风险预测的主要挑战。
deepcristae，用于恢复活显微镜图像中线粒体cristae的CNN
线粒体在真核细胞的生命周期中起着至关重要的作用。但是，我们仍然不知道它们的超微结构（例如内膜的cristae）如何动态发展以调节这些基本功能，以响应外部条件或与其他细胞成分相互作用。尽管高分辨率的荧光显微镜与最近开发的创新探针可以揭示该结构组织，但它们的长期，快速和实时3D成像仍然具有挑战性。为了解决这个问题，我们开发了一个称为DeepCristae的卷积神经网络，以恢复低空间分辨率显微镜图像中的线粒体cristae。我们的网络是使用专门为Cristae修复设计的新型损失从2D Sted图像训练的。为了有效地增加训练集的大小，我们还开发了一个以线粒体区域为中心的随机图像贴片采样。为了评估deepcristae，使用我们得出的指标来进行定量评估，我们通过关注线粒体和cristae像素而不是像往常一样在整个图像上进行了定量评估。根据所示的使用条件，DeepCristae在广泛的显微镜模态（刺激的发射耗尽（STED），Live-SR，Airyscan和Lattice Light片显微镜下都很好地工作。它最终是在与内托/溶酶体膜相互作用期间的线粒体网络动力学的上下文中应用的。
心脑连接：40,000心脏和脑磁共振图像的表型和遗传见解
。cc-by-nc-nd 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）