XiaoMi-AI文件搜索系统
World File Search Systemmodality
利用在线相互知识提炼实现跨模态医学图像分割
深度卷积神经网络的成功部分归功于海量带注释的训练数据。然而在实践中，获取医疗数据注释通常非常昂贵且耗时。考虑到具有相同解剖结构的多模态数据在临床应用中广泛可用，在本文中，我们旨在利用从一种模态（又称辅助模态）学到的先验知识（例如形状先验）来提高另一种模态（又称目标模态）的分割性能，以弥补注释的稀缺性。为了缓解由模态特定外观差异引起的学习困难，我们首先提出一个图像对齐模块（IAM）来缩小辅助和目标模态数据之间的外观差距。然后，我们提出了一种新颖的相互知识蒸馏（MKD）方案，以充分利用模态共享知识来促进目标模态分割。具体来说，我们将我们的框架制定为两个独立分割器的集成。每个分割器不仅从相应的注释中显式提取一种模态知识，而且还以相互引导的方式从其对应部分中隐式探索另一种模态知识。两个分割器的集合将进一步整合来自两种模态的知识，并在目标模态上生成可靠的分割结果。在公共多类心脏分割数据（即 MM-WHS 2017）上的实验结果表明，我们的方法通过利用额外的 MRI 数据在 CT 分割方面取得了很大的改进，并且优于其他最先进的多模态学习方法。
AI词汇表
Artificial intelligence (AI) 4 Large language model (LLM) 4 Agentic AI 4 AI safety 4 AI system 5 Algorithm 5 Alignment 5 Application programming interface (API) 5 Automation bias 5 Benchmark 6 Bias 6 Chatbot 6 ChatGPT 6 Claude 6 Cloud computing 6 Cognitive bias 7 Compute 7 Computer vision 7 Context window 7 Copilot for Microsoft 365 7 Data 8 Data science 8 Explainable AI (XAI) 8 Fine-tuning 8 Foundation model 8 Generative AI 8 GPT 9 Guardrails 9 Hallucination 9 Human-in-the-loop 9 Machine learning 9 Modality 10 Model 10 Multi-modal 10 Natural language processing (NLP) 10 Pre-training 10 Prompt 10 Prompt engineering 11 Reinforcement learning 11 Responsible AI 11 Retrieval-augmented generation (RAG) 11 Supervised learning 12 Token 12 Training data 12 Transformer model 12 Unsupervised learning 12 Use case 12
TBI冰山
关于功能性神经系统疾病，阿尔德博士长期以来一直具有兴趣，并且是FND社会的创始成员。Allder博士提供临床和医疗服务，以评估可疑FND患者。Allder博士与Leo Russell博士和Allan Abbass博士进行了长期的合作，他们是FND称为强化的短期动态心理治疗（ISTDP）的治疗方式的主要从业者和研究人员。ISTDP是模式，具有强大的神经科学原理和经验证据基础，支持其有效性。 Russell博士最近加入了认可健康，并正在与Allder博士合作，以增强我们为该患者组的临床产品，并通过这种治疗方式扩大对机制的研究，从而改善了患者。ISTDP是模式，具有强大的神经科学原理和经验证据基础，支持其有效性。Russell博士最近加入了认可健康，并正在与Allder博士合作，以增强我们为该患者组的临床产品，并通过这种治疗方式扩大对机制的研究，从而改善了患者。
有效的双边跨模式群集匹配无监督的可见红外人Reid
无监督的可见红外人员重新识别（USL-VI-REID）旨在匹配来自不同方式的同一身份的行人图像，而无需注释。现有作品主要集中于通过对齐未标记的样本的实例级特征来减轻模式差距。但是，跨模式簇之间的关系尚未得到很好的探索。为此，我们提出了一个新型的双边群集匹配的学习框架，以通过匹配的跨模式簇来弥补模态差距。特定的是，我们通过优化两部分图中的最大匹配问题来设计多到多的双边跨模式群匹配（MBCCM）算法。然后，匹配的成对簇在模型训练过程中利用共享的可见和红外伪标签。在这样的监督信号下，提出了一种特异性和模态性和情态的（MSMA）对比度学习框架 - 提议在集群级别上共同对齐特征。平均值，提出了交叉模式一致性约束（CC），以明确减少较大的模态差异。对公共SYSU-MM01和REGDB数据集进行了广泛的实验，证明了该方法的有效性，平均超过8.76％的地图超过了最先进的方法。
多模式情绪刺激对大脑活动的影响：脑电图研究
摘要：本研究旨在揭示使用头皮EEG对多模式情绪刺激的神经活动的情绪价和感觉方式的影响。在这项研究中，有20位健康参与者完成了三种刺激模态（音频，视觉和音频）的情绪多模式刺激实验，所有这些都来自具有两个情感成分（愉悦或不愉快或不愉悦）的同一视频源，并使用六个实验条件和一个静止状态收集了EEG数据。我们分析了功率谱密度（PSD）和事件相关电位（ERP）组件，以响应多模式情绪刺激，用于光谱和时间分析。PSD的结果表明，由于模态的变化而不是情绪程度的变化，因此，单个模态（仅/仅视觉）情绪刺激PSD与宽大的大脑和带范围的多模式（音频视听）不同。最明显的N200至P300电位转移发生在单座而不是多模式的情绪刺激中。这项研究表明，情绪显着性和感觉处理效率在多模式情绪刺激过程中塑造神经活动中发挥了重要作用，感官方式在PSD中的影响更大。这些发现有助于我们理解多模式情绪刺激所涉及的神经机制。
惯用手对优势和非优势形象的影响
具身认知假定所有心理过程都由身体及其与环境的感觉运动相互作用所塑造（Casasanto，2009 ；Garbarini 和 Adenzato，2004 ；Madan 和 Singhal，2012 ；Wilson，2002）。通过身体体验发展认知是身体特异性假设的基础，该假设认为不同身体的个体与周围环境的互动方式不同，因此应该表现出不同的思维方式（Casasanto，2009 ）。由于右撇子（RH）和左撇子（LH）个体以系统不同的方式使用身体，研究心理过程如何随着手优势而变化是研究这一假设的理想方法（Brunyé 等人，2012 ；Conson 等人，2010 ；Willems 等人，2010 ）。一种这样的心理过程是运动意象或对动作的想象而不进行实际执行（Madan & Singhal，2012）。运动意象主要涉及两种感觉方式：视觉和动觉。视觉方式涉及对想象运动的视觉化，而动觉方式则要求个体想象运动的感觉。这两种方式并不互相排斥。例如，即使在被指示在想象不熟悉的动作时使用动觉，个体也会使用视觉方式，这表明视觉方式是为了补充不熟悉动作不太生动的动觉形象（Mizuguchi 等人，2016 年；Olsson 等人，2008 年）。
找到最可转移的大脑图像分割任务
摘要 - 尽管许多研究已成功地将转移学习应用于医学图像分割，但是当有多个源任务可转移时，很少有人研究了选择策略。在本文中，我们提出了一个基于知识的知识和基于可传递性的框架，以在大脑图像分割任务集合中选择最佳的源任务，以提高给定目标任务上的转移学习绩效。该框架包括模态分析，ROI（感兴趣的区域）分析和可传递性效率，以便可以逐步对源任务选择进行。特别是，我们将最先进的分析转移能力估计指标调整为医学图像分割任务，并进一步表明，基于模态和ROI特征的候选源任务可以显着提高其性能。我们关于脑物质，脑肿瘤和白质超强度分割数据集的实验表明，从同一模式下的不同任务转移通常比在不同方式下从同一任务转移的实验更成功。此外，在相同的方式中，从具有更强的ROI形状相似性与目标任务的源任务转移可以显着提高最终传输性能。可以使用标签空间中的结构相似性指数捕获这种相似性。索引术语 - 转移学习，医学图像分析，来源选择I。
