XiaoMi-AI文件搜索系统
World File Search Systempix2pix
BCI：通过金字塔PIX2PIX
人类表皮生长因子2（HER2）表达的评估对于制定乳腺癌的精确治疗至关重要。HER2的常规评估是通过免疫组织化学技术（IHC）进行的，这非常昂贵。因此，我们首次生产了乳腺癌免疫组织化学（BCI）基准，试图将IHC数据直接与成对的苏木精（HE）染色图像合成。数据集包含4870个注册的图像对，涵盖了各种HER2表达水平。基于BCI，作为较小的贡献，我们进一步构建了一种金字塔PIX2PIX图像生成方法，它比其他当前流行算法更好地实现了IHC翻译结果。BCI的广泛实验对现有的Immig translation Research构成了新的挑战。此外，BCI还基于合成的IHC图像在HER2表达评估中为将来的病理研究打开了大门。BCI数据集可以从https：//bupt-ai-cz.github下载。io/bci。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
使用ML
计算机工程系，Keystone工程学院摘要：室内设计中生成AI的整合已改变了传统方法，使设计师能够以令人印象深刻的效率探索新概念。本文介绍了领先的生成模型的比较研究，例如风格，变异自动编码器（VAE），PIX2PIX和强化学习（RL） - 在将草图转化为示意图中的效率上，以产生多样化的室内布局，并产生多样化的室内布局和优化空间。通过分析这些模型的结果，我们表明了它们创建独特的设计解决方案，同时增强美学吸引力。该研究强调了设计精度的实质性增强，强调了生成AI模型提升设计过程并创建更量身定制的内部解决方案的潜力。本调查检查了每个模型的方法和性能，并研究了使用生成AI推进室内设计领域的未来可能性。关键字：生成AI，室内设计，StyleGAN，差异自动编码器（VAE），PIX2PIX，增强学习指数术语：简介，目标，文献调查，方法论，结果和分析，结论
从自由形式草图生成肺癌 CT 图像...
医学成像中的人工智能 (AI) 应用在收集和使用大型数据集方面仍然面临困难。为解决此问题，一种建议的方法是使用生成对抗网络 (GAN) 生成的虚拟图像进行数据增强。然而，由于生成图像的质量和多样性，尚未探索将 GAN 用作数据增强技术。为了通过生成多样化图像来促进此类应用，本研究旨在使用基于 pix2pix 的模型从肿瘤草图生成自由形式的病变图像，该模型是一种源自 GAN 的图像到图像转换模型。由于 pix2pix 假设一对一图像生成，不适合数据增强，我们提出了 StylePix2pix，它经过独立改进，允许一对多图像生成。所提出的模型引入了来自 StyleGAN 的映射网络和样式块。基于医生创建的 20 幅肿瘤草图的图像生成结果表明，所提出的方法可以重现具有复杂形状的肿瘤。此外，StylePix2pix 的一对多图像生成表明其在数据增强应用中的有效性。
朝着物理意识到的深度学习体系结构用于激光雷达强度模拟
摘要：自动驾驶汽车（AVS）在很大程度上依靠LiDAR感知来了解环境的理解和导航。LIDAR强度提供了有关反射激光信号的有价值信息，并在增强AV的感知能力方面起着至关重要的作用。但是，由于环境中物体的材料特性不可用，并且激光束与环境之间的复杂相互作用，因此准确模拟激光雷达强度仍然是一个挑战。所提出的方法旨在通过将基于物理的模态纳入深度学习框架中来提高强度模拟的准确性。捕获激光束与物体之间相互作用的关键实体之一是入射角。在这项工作中，我们证明，将激光雷达的入射角作为单独的输入方式添加到深神经网络中可以显着增强结果。我们将这种新颖的输入方式整合到了两个突出的深度学习体系结构中：U-NET，一个卷积神经网络（CNN）和PIX2PIX，一种生成的对抗性网络（GAN）。我们研究了这两个体系结构的强度预测任务，并使用了Semantickitti和VoxelScape数据集进行实验。综合分析表明，这两种体系结构都从发射角中受益，作为附加输入。此外，Pix2Pix体系结构的表现优于U-NET，尤其是在合并入射角时。
ECGI没有几何形状：基于深度学习的心脏表面电位
我们开发了一个深度学习框架，以估计仅从身体表面潜力和躯干几何形状的心脏表面电位，因此省略了有关心脏几何形状的信息。该框架基于图像到图像的翻译，并介绍了三个组合：将3D躯干和心脏几何形状转换为相应的标准2D表示，以及基于Pix2Pix网络的自定义深度学习模型的效率。使用11名健康受试者和29个ID型心室心室纤颤（IVF）患者，其框架的平均绝对误差（MAE）的平均平均绝对误差（MAE）为0.012±0.011，平均相似性指数量度（SSIM）为0.984±0.026。For the concatenated electrograms (EGMs), the average MAE was 0.004 ± 0.004, and the average Pearson correlation coefficient (PCC) 0.643 ± 0.352.估计激活和恢复时间之间时间差的绝对平均值为6.048±5.188毫秒，而18.768±17.299 ms，分别是分数。这些结果证明了与标准心电图相当的性能而无需CT/MRI，这表明该框架的潜在临床应用。
探索生物和人工神经网络在建筑环境中的交叉点，并研究支持设计过程演进的算法
摘要。本篇评论探讨了神经网络与建筑之间的关系，特别是在外观设计、室内设计和建筑施工领域。它研究了两种类型的神经网络：生物神经网络，代表人类大脑的神经系统；人工智能，受大脑结构和功能启发的计算系统。本研究对这些神经网络及其在各个领域的应用进行了描述性概述。它进一步研究了这些网络如何在不同层面与建筑相结合。该研究强调了“神经架构”的概念，它将人工神经网络 (ANN) 与建筑相结合，以产生多种设计可能性并揭示隐藏的模式。ANN 用于创建智能建筑和优化结构设计流程以降低成本。此外，该研究还探索了“神经架构”，它探索了生物神经网络 (BNN) 与建筑的相互作用，重点关注建筑环境对大脑和行为的影响。它结合了神经科学、建筑和环境心理学的原理。案例研究分析表明，“pix2pix”、GCNN、DCGAN、CycleGAN 和 StyleGAN 等 AI 工具在通过融合传统和现代风格以及增强创作过程来实现建筑设计的现代化方面的重要性。