XiaoMi-AI文件搜索系统
World File Search Systemsegment
用于深度学习脑转移瘤自动分割的多中心隐私保护模型训练
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即学习而不遗忘 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边合作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在相应的单中心测试数据上，BM 检测的平均 F1 分数范围为 0.625（NYU）至 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的改善可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和勾勒准确度，但损害了精度。相反，LWF 表现出令人称赞的灵敏度、精度和勾勒准确度。当应用于斯坦福大学时，观察到了类似的表现。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性构成挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
心血管药物、高敏性心肌肌钙蛋白 T 浓度以及非 ST 段抬高型急性冠状动脉综合征的长期结果
基于登记的研究调查了三个 NSTE-ACS 队列（n = 43 075、40 162 和 46 698），这些队列的高敏心肌肌钙蛋白浓度升高 > 14 ng/L。使用添加交互项的 Cox 比例回归模型分析高敏心肌肌钙蛋白 T (hs-cTnT) 浓度、新开始使用的三种药物类别以及全因死亡和重大不良事件 (MAE) 的长期风险之间的相互关系。β 受体阻滞剂分别与全因死亡和 MAE 的风险降低 8% 和 5% 相关。没有证据表明与 hs-cTnT 浓度存在相互作用。RAAS 抑制剂分别与 13% 和 8% 的风险降低相关，hs-cTnT 和 MAE 之间的相互作用较弱（P 相互作用 = 0.016）。然而，当 hs-cTnT 浓度 > 100 ng/L 时，未观察到预后益处的增加。他汀类药物分别与 38% 和 32% 的风险降低相关，在整个 hs-cTnT 浓度范围内均具有预后益处，并且与 MAE 的相互作用较弱（P 相互作用 = 0.011）。
使用多模态优化进行脑磁共振图像 (MRI) 分割
摘要 医学界高度关注的领域之一是从脑磁共振成像 (MRI) 中分割肿瘤。早期诊断恶性肿瘤对于为患者提供治疗是必要的。如果及早发现，患者的预后将会改善。医学专家在诊断脑肿瘤时使用手动分割方法。本研究提出了一种简化和自动化该过程的新方法。在最近的研究中，多级分割已广泛应用于医学图像分析，分割方法的有效性和精度与使用的分割数量直接相关。然而，选择合适的分割数量通常由用户决定，并且对于许多分割算法来说都是具有挑战性的。所提出的方法是基于 3D 直方图的分割方法的修改版本，该方法可以自动确定合适的分割数量。一般算法包含三个主要步骤：第一步是使用高斯滤波器平滑图像的 3D RGB 直方图。这样可以消除过于接近的不可靠和非主导直方图峰值。接下来，多峰粒子群优化方法识别直方图的峰值。最后，根据非欧几里得距离将像素放置在最符合其特征的聚类中。所提出的算法已经应用于癌症成像档案 (TCIA) 和脑 MRI 图像的脑肿瘤检测数据集。将所提出方法的结果与三种聚类方法的结果进行了比较：FCM、FCM_FWCW 和 FCM_FW。在对各种 MRI 切片进行这三种算法的比较分析中。我们的算法始终表现出卓越的性能。它在这三个指标中都获得了最高平均排名，表明了其在聚类中的稳健性和有效性。所提出的方法在实验中是有效的，证明了它能够找到适当的聚类。
用于 3D 血管形状分割的多尺度知识转移视觉变换器
为了促进从体内磁共振成像 (MRI) 中进行稳健和精确的 3D 血管形状提取和量化，本文提出了一种新型的多尺度知识转移视觉变换器 (即 KT-ViT) 用于 3D 血管形状分割。首先，它以独特的方式在 U-net 架构中将卷积嵌入与变换器相结合，该架构同时以多尺度方式使用卷积层响应局部感受野和使用变换器编码器响应全局上下文。因此，它本质上丰富了局部血管特征，同时促进了全局连通性和连续性，从而实现更准确、可靠的血管形状分割。此外，为了能够使用相对低分辨率 (LR) 的图像来分割细尺度血管形状，设计了一种新颖的知识转移网络来探索数据的相互依赖性，并通过集成多级损失函数，将从高分辨率 (HR) 数据中获得的知识自动转移到多个级别的低分辨率处理网络，包括多尺度特征级和决策级。 HR 图像变换器网络所具有的精细血管形状数据分布建模能力可以转移到 LR 图像变换器，以增强其对精细血管形状分割的知识。在公共图像数据集上的大量实验结果表明，我们的方法优于所有其他最先进的深度学习方法。
卫星网络的设计 - 接地段。基本面。
卫星通信虽然在其他信息传输技术（例如光纤连接，Wi-Fi或LTE）中通常没有引起人们的注意，但在整个社区的日常生活中都起着关键作用。即使在其他无线电通信方式不足或不足的地方，它也可以在长距离上进行快速可靠的通信。在世界上许多遥不可及的地区，建筑电信基础设施是无利可图或在技术上不可能的，卫星系统是唯一提供访问互联网的可能性，因此：在线教育，远程工作，远程工作，访问信息和数字服务的机会。诸如GPS（全球定位系统）之类的系统依赖于卫星来提供位置和导航服务，例如在车辆导航，航空，海上和日常生活中必不可少的位置和导航服务，例如智能手机上的地图。卫星传输可实现全球电视和广播内容的广播，从而访问电视节目，电影和音乐。最后，部署在各种地球轨道上的卫星用于监测气候变化，管理和应对自然灾害，提供迅速采取行动并最小化损害所需的关键信息，并提供电信服务，例如卫星电话，这对于地面网络网络失败至关重要。
一种可扩展的网络安全和微分类方法
随着设备，应用程序，用户和位置的庞大数量，您的网络复杂性随之增长。问题？传统的基于VLAN的安全策略方法不符合工作。他们缺乏上下文，并引入技能差距和挑战，这些挑战破坏了您的IT和安全团队使事情在分布式站点上保持行动的能力。虽然零值网络访问（ZTNA）在不将其放置在网络上的情况下为正确的用户访问提供了有效的范围，但它可能无法适用于所有情况。例如，ZTNA将不太适合使用运营技术（OT）设备的校园，这些设备无法实施ZTNA连接器和过时的供应商管理的Windows 7设备，这些设备缺乏对ZTNA集成所需的必需单点登录（SSO）协议的支持。
如何从惯性测量数据的行为模式的监督机器学习中处理混合行为段
摘要，监督机器学习方法从生物学家的惯性测量中识别行为模式已成为行为生态学的标准工具。几种设计选择可以影响识别行为模式的准确性。这样的选择是包含或排除在机器学习模型培训数据中包含不仅是单个行为（混合段）组成的细分。目前，常见的实践是在模型培训期间忽略此类段。在本文中，我们检验了以下假设：在模型训练中包括混合段将提高准确性，因为该模型在测试数据中识别它们的表现更好。我们使用在四个加速度计数据数据集上进行了一系列数据模拟，并从四个研究物种（Damaraland mole鼠，Meerkats，Meerkats，Olive Baboons，Polar Bears）获得了一系列数据模拟。结果表明，当大量测试数据是混合行为段（高于10％）时，包括机器学习模型培训中的混合段可提高分类的准确性。这些结果在四个研究物种中是一致的，并且在混合段内的片段长度，样本量和混合物程度的变化稳健。但是，与未经混合段的训练的模型相比，在某些情况下（尤其是在狒狒中）模型（尤其是在狒狒）模型中显示出仅包含单个行为（纯）段的测试数据的准确性降低。在这种情况下，应避免将混合段过量包含在培训数据中。基于这些结果，我们建议当预期分类模型处理大量混合行为细分（> 10％）时，将它们包括在模型培训中是有益的，否则，这是不必要的，但也不有害。当时有一个基础假设培训数据包含的混合段率要比要分类的实际（未观察到的）数据更高 - 可能发生这种情况，尤其是在收集训练数据的情况下，并用于将数据分类并从野外分类。关键字身体加速器，生物遗传，机器学习，动物行为
Oracle金融服务贷款和租赁EV电池租赁 - 数据表| Oracle
阻止了戏剧性的讨论或使用类型娱乐性的亵渎和淫秽性。新闻或亵渎和淫秽的报道。基于类型的亵渎，手势和其他可能强大的动作的使用，但可能会被期望是普遍接受的语言和行为，以及高风险的淫秽和亵渎含量。
使用混合分布的 MCET 实现精确并行分割模型 (PPSM)
摘要目的——图像分割是图像处理应用中最重要的任务之一。它是许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监视系统等。然而，准确的分割是一项关键任务，因为找到适合不同类型图像处理应用的正确模型是一个长期存在的问题。本文开发了一种新颖的分割模型，旨在成为使用任何类型图像处理应用的统一模型。所提出的精确并行分割模型 (PPSM) 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。此外，提出了一种并行增强算法来提高所开发的分割算法的性能并最大限度地降低其计算成本。为了评估所提出的 PPSM 的有效性，使用了不同的图像分割基准数据集，例如 Planet Hunters 2 (PH2)、国际皮肤成像合作组织 (ISIC)、微软剑桥研究院 (MSRC)、伯克利分割基准数据集 (BSDS) 和 COntext 中的通用对象 (COCO)。获得的结果表明，与其他分割模型相比，使用不同类型和领域的基准数据集，所提出的模型能够显著缩短处理时间，实现高精度。设计/方法/方法——所提出的 PPSM 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。结果——根据所获得的结果，可以观察到，所提出的基于 PPSM——最小交叉熵阈值 (PPSM - MCET) 的分割模型是一种具有高性能的稳健、准确、高度一致的方法。原创性/价值——使用 MCET 构建了一种利用高斯、伽马和对数正态分布组合的新型混合分割模型。此外，为了以最小的计算成本提供准确、高性能的阈值，所提出的 PPSM 使用并行处理方法来最大限度地减少 MCET 计算中的计算工作量。所提出的模型可用作许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监控系统等。关键词最小交叉熵阈值、混合分布、精确分割、并行计算论文类型研究论文
零信任微分类-KPMG International
毕马威会计师有限责任公司（毕马威（KPMG））与联邦，州和地方政府合作了一个多世纪，因此我们知道机构的工作方式。我们的团队了解您在现代化的旅程中遇到的独特问题，压力和挑战。我们与Illumio等领先的技术提供商的联盟有助于我们为提供广泛的解决方案所需的技能和经验深度。我们利用我们的技术敏锐度和政府运营知识来提供量身定制的零信任方法，以帮助您克服挑战，并从头到尾与您合作，以实现重要的结果。此外，毕马威（KPMG）具有在私营部门和公共部门实施零信任的丰富经验，可以将这些经验带给每个政府客户。