XiaoMi-AI文件搜索系统
World File Search Systemimages
用于分析胸部 CT 图像的人工智能
本简报中的胸部成像人工智能 (AI) 技术是独立的软件平台，使用机器或深度学习算法来分析或解释放射图像。一些技术允许将图像从医院传输到软件平台，该平台托管在 NHS 认可的安全数据中心。该软件使用专有算法分析胸部 DICOM（医学数字成像和通信）图像。图像分析可以直接发送回医院，以便使用医院系统（例如图片存档和通信系统 (PACS)）和一些使用 DICOM 和 HL7 等协议的放射信息系统进行查看。一些技术还可能允许使用 Web 界面上传和查看图像和分析。
数字雷达图像解释简介 - 微图像
不同的因素控制着雷达图像在距离和方位角方向上的空间分辨率。距离分辨率主要取决于微波脉冲的短暂持续时间（以微秒为单位）。随着俯角变小，距离分辨率也会向远距离提高。方位角分辨率从根本上取决于单个微波脉冲产生的波束宽度；波束越窄，分辨率越好。在早期的机载雷达系统中，通过增加雷达天线的物理长度来缩小波束，但天线尺寸存在明显的实际限制。现代合成孔径雷达 (SAR) 系统使用短物理天线，但对多个雷达回波的复杂处理产生了更长的“合成”天线的效果。特定表面特征由多个连续天线位置上的脉冲“成像”。天线和每个目标之间的相对运动会修改返回信号，使得可以解析来自各个脉冲的数据，从而以良好的方位角分辨率将每个特征放置在正确的位置。
可见光波段图像中基于形状的建筑物检测...
摘要 —本文介绍了一种从仅具有可见红、绿和蓝数据带的单个高分辨率光学图像中自动检测建筑物的新方法。具体来说，我们首先调查阴影证据以关注建筑物区域。然后，提出了一种基于马尔可夫随机场 (MRF) 的新型区域增长分割技术。图像被过度分割成较小的均匀区域，可用于替换像素网格的刚性结构。然后对该区域集应用迭代分类合并。在每次迭代中，使用区域级 MRF 模型对区域进行分类，然后根据阴影的位置，合并具有相同类别的区域以产生形状适合矩形的新区域。使用递归最小边界矩形确定最终的建筑物。实验结果证明，所提出的方法适用于各种地区（高密度城市、郊区和农村），并且具有高度的稳健性和可靠性。
图像和信号的海量数据分析进展...
Josef Bigun Halmstad 大学，瑞典 Valentin Brimkov 布法罗州立学院，美国 Calin Ciufundean Stefan cel Mare 大学，罗马尼亚 Kamil Dimililer 近东大学，土耳其 Andres Gago-Alonso 先进技术应用中心 (CENATAV)，古巴 Daniela Georgi ISTI-CNR，意大利 William Grosky 密歇根大学，美国 Nicolas Jouandeau 文森斯大学 - 巴黎第八大学 | UP8，法国 Tuan Pham 瑞典林雪平大学 Jose Ruiz-Shulcloper 古巴计算机科学大学 (UCI) Rainer Schmidt 德国罗斯托克大学 Bjoern Schuller 德国奥格斯堡大学 / 英国伦敦帝国理工学院 Dorra Sellami ENIS，突尼斯 Dong Si 美国华盛顿大学博塞尔分校 Paolo Soda 意大利罗马生物医学大学 Nasseh Tabrizi 美国东卡罗来纳大学 Joe Tekli 黎巴嫩美国大学，黎巴嫩 Massimo Tistarelli 意大利萨萨里大学
使用摄影测量从立体图像生成 DEM......
earsel.org › 2016/11 › 4-2_14_Toutin PDF 作者：T Toutin · 被引用次数：85 — 作者：T Toutin · 被引用次数：85 airborne SAR and ERS-SAR stereo pairs, respectively. ... These virtual 3-D models support ... digital stereoplotter, the DVP, to process different types.
医学图像分割与分类的文献综述
1 简介 脑肿瘤是一团异常细胞。它有两种类型：恶性和良性。脑肿瘤症状可以是一般的，也可以是预先定义的。一般症状是由肿瘤压迫大脑或脊髓引起的。当大脑的某个部分由于肿瘤而无法正常运作时，就会出现预先定义的症状。研究人员应用不同的成像方式从几个医学成像系统中检测解剖结构 [1, 2]。脑肿瘤分割已被用于定义肿瘤区域，以帮助诊断疾病和选择治疗疾病的最佳方法。它是一种将肿瘤的一部分从整个图像中分离出来的工具。手动肿瘤分割方法耗时耗力，因此也会导致疾病的误诊。脑肿瘤分割方法分为阈值和区域生长等几种类型 [3, 4]。医学图像分割是疾病诊断的重要阶段。医学图像分割的目的是检测所需区域，以帮助专家更好地诊断疾病。它根据确定性描述将图像划分为多个区域，例如医学应用中的身体器官分割 [5]。分割是图像处理的重要工具。图像分割用于将图像分割为不同数量的对象和离散区域。图像分割的结果是组成整个图像的一组部分或从图像中截取的一组线。可以实施不同的方法来划分图像。分割方法包括阈值、聚类、基于边缘、基于区域、基于图形、分水岭和活动轮廓分割技术 [6]。医学图像分类是图像分类领域最重大的难题之一。它旨在将医学图像分为几类，以帮助专家进行疾病诊断或进一步研究。总体而言，医学图像分类分为两个步骤：特征提取步骤和分类步骤。在分类问题中，使用算法将测试数据准确地分类为预定义的类别。常见的分类算法类型有线性分类器、支持向量机、决策树和随机森林分类器 [7]。
使用扩散模型模拟射电星系的图像
上下文。随着天文调查产生的数据量的越来越多，自动分析方法已变得至关重要。合成数据是开发和测试此类方法所必需的。当前模拟的经典方法通常从不可能的细节或源类型出现的不准确表示。深层生成建模已成为综合现实图像数据以克服这些定义的新方法。目标。，我们实施了一个深入的生成模型，该模型对观测值进行了训练，以产生逼真的射电星系图像，并完全控制了频道和源形态。方法。我们使用了一个分散模型，该模型经过连续的时间步骤训练，以减少采样时间而没有质量损害。这两个模型分别在两个不同的数据集上进行了培训。一组是从Lofar两米高调查（Lots）的第二个数据发布中获得的图像选择。该模型在重新缩放图像像素值后保留信号强度信息的峰值条件。另一个较小的集合是从非常大的阵列（VLA）调查中，对二十秒（第一个）的无线电天空的微弱图像进行了调查。在该集合中，每个图像都带有形态学类标签。有条件的抽样是通过无分类的分解指导实现的。，我们通过比较了实际数据和生成数据的不同数量的分布来评估生成的图像的质量，包括来自标准源填充算法的结果。结果。通过培训分类器并比较其在实际数据和生成的数据上的性能来评估类调节。我们已经能够使用25个采样步骤来生成高质量的逼真图像，这在射电天文学领域是前所未有的。生成的图像在视觉上与训练数据无法区分，并且已成功复制了不同图像指标的分布。分类器显示出对真实图像和生成的图像的表现同样出色，表明对形态源特性的强烈采样控制。
MRI 图像中脑肿瘤分类的综述
摘要：由于脑肿瘤在人们生活中的重要性，使用机器学习技术对其进行分类已成为必不可少的。正确而快速的诊断是降低死亡率的关键，死亡率最近大幅上升。CT扫描和MRI成像等可用技术如今被广泛使用，后者更为常见，因为它可以从不同角度为脑组织提供高分辨率图像。手动确定正确的脑肿瘤类型需要对脑部疾病有深入了解的专家。此外，对于大量图像来说，这既耗时又乏味。此外，人为错误是可能的，因此误检可能导致错误的程序和治疗。因此，科学家和研究人员介绍了不同的方法来自动有效地对肿瘤类型进行分类，而无需人类知识。本文回顾了这些方法，其中包括传统的机器学习算法（ML）。这些算法可以分为两个主要部分，即监督和无监督。使用最多且达到高精度的算法是SVM，KNN和ANN。一方面，如今通过扩大该领域的可用数据并开发新的基于 ANN 的技术（称为深度学习），脑肿瘤分类的性能得到了提升。本文还回顾了可用于特征提取和分类的这类技术。关键词：MRI 图像、分类、机器学习、KNN、SVM。 ___________________________________________________________________________
脑部医学图像融合的 GUI
近年来技术飞速发展，医学诊断和治疗需要各种医学成像方法来实现高精度，例如磁共振成像 (MRI)、计算机断层扫描 (CT)、单光子发射计算机断层扫描 (SPECT) 等。这些成像方法通常会提供独特的信息。因此，通常采用一种称为图像融合的后成像方法。这种方法将两幅或多幅图像的信息合成一幅包含所有相关数据的图像。本文提出了一种在 MATLAB 环境中开发的程序和简单的专用图形用户界面 (GUI)。基于不同的小波分解，可以分析应用于脑部 MRI 和 SPECT 医学图像的不同小波图像融合方法。所提出的 GUI 可应用于真实图像的计算机辅助诊断，以使医学诊断更加精确。所提出的 GUI 也适用于研究医学图像融合的工程教育。
来自时间数据的空间图像：补充
本文档为“时间数据的空间图像”提供了补充信息。文档结构如下：第 I 节讨论了用于生成飞行时间图像和时间直方图的数值算法（数值正向模型）；第 II 节解释了图像（逆）检索算法；第 III 节给出了额外的实验细节；第 IV 节讨论了结构相似性指数 (SSIM) 方面的重建图像质量，重点介绍了可能影响检索算法性能的因素；第 V 节证明了我们的成像方法可以扩展到单点射频天线；最后，第 VI 节给出了 ToF 模拟和 ANN 训练的伪代码。