XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
DECIMER.ai - 用于科学出版物中自动光学化学结构识别、分割和识别的开放平台
在过去的几十年中，描述化学结构的出版物数量稳步增加。然而，目前大多数已发表的化学信息在公共数据库中都无法以机器可读的形式获得。以更少的人工干预方式实现信息提取过程的自动化仍然是一个挑战——尤其是化学结构描述的挖掘。作为一个利用深度学习、计算机视觉和自然语言处理方面的最新进展的开源平台，DECIMER.ai（化学图像识别深度学习）致力于自动分割、分类和翻译印刷文献中的化学结构描述。分割和分类工具是同类中唯一公开可用的软件包，光学化学结构识别 (OCSR) 核心应用程序在所有基准数据集上都表现出色。这项工作中开发的源代码、训练模型和数据集均已在许可下发布。DECIMER Web 应用程序的一个实例可在 https://decimer.ai 获得。
SFS-A68：公寓空间功能分割数据集
摘要。分析建筑模型的可用面积、建筑安全性或能源分析需要空间和相关对象的功能分类数据。自动化空间功能分类有助于减少输入模型准备工作量和错误。现有的空间功能分类器使用空间特征向量或空间连通性图作为输入。深度学习 (DL) 图像分割方法在空间功能分类中的应用尚未被研究。作为解决这一差距的第一步，我们提出了一个数据集 SFS-A68，它由 68 个公寓楼空间布局的数字 3D 模型生成的输入和地面真实图像组成。该数据集适用于开发用于空间功能分割的 DL 模型。我们使用该数据集训练和评估基于迁移学习和从头开始训练的实验空间功能分割网络。测试结果证实了 DL 图像分割对空间功能分类的适用性。
Dempster-Shafer 可信 AI 方法及其在胎儿脑部 MRI 分割中的应用
摘要 — 对于病理病例和在不同中心获取的图像（而不是训练图像），用于医学图像分割的深度学习模型可能会意外且严重地失败，其标记错误违反了专家知识。此类错误破坏了用于医学图像分割的深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术转化为临床应用至关重要，并且很可能成为未来人工智能 (AI) 法规的要求。在这项工作中，我们提出了一个值得信赖的 AI 理论框架和一个实用系统，该系统可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干 AI 系统。我们的方法依赖于可操作的可信 AI 定义。我们的方法会自动丢弃由骨干 AI 预测的违反专家知识的体素级标记，并依赖于这些体素的回退。我们在最大的已报告胎儿 MRI 注释数据集上证明了所提出的可信 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。我们值得信赖的 AI 方法提高了四个骨干 AI 模型的稳健性，这些模型适用于在不同中心获取的胎儿脑部 MRI 以及患有各种脑部异常的胎儿。我们的代码可在此处公开获取。
图像分割 - 基于 - 基于系统的群集 -
计算机视觉的抽象工业应用有时需要检测数字图像中小组像素的非典型物体。这些对象很难单一单，因为它们很小并且随机分布。在这项工作中，我们使用新型基于ANT系统的聚类算法（ASCA）提出了一种图像分割方法。ASCA对蚂蚁的觅食行为进行建模，蚂蚁的觅食行为在搜索高数据密度区域的数据空间中移动，并在其路径上留下信息素跟踪。信息素图用于识别簇的确切数量，并使用信息素gra-denient将像素分配给这些簇。我们将ASCA应用于数字乳房X线照片中的微钙化，并将其与最先进的聚类算法进行比较，例如1D自组织图，k -meanss，模糊C-Meanss和可能的模糊模糊C-Meanss。ASCA的主要优点是，群集的数量不需要先验。实验结果表明，在检测非典型数据的小簇时，ASCA比其他算法更有效。
多视图脑肿瘤分割（MVBTS）
图2。平面和Triplanar网络的想法。（a）将轴向平面网络从轴向图像进行训练的CA，CCSA和SCSA网络的分割结果组合在一起以产生结果。同样，我们可以创建冠状合奏和矢状 - 合奏。（b）Triplanar网络的概述，在该网络中，从轴向，冠状图像和矢状图像中训练的单个注意网络（例如，CA网络）产生的分段结果合并为生成结果。通过在三个正交平面训练的CCSA和SCSA注意网络中生成类似的分段结果。
基于GSConv模块与ECA注意力机制的改进Unet脑肿瘤图像分割
摘要：本文讨论了一种针对脑肿瘤的医学图像分割改进模型，该模型是一种基于U-Net架构的深度学习算法。在传统U-Net基础上，引入GSConv模块和ECA注意力机制，提升模型在医学图像分割任务中的表现。通过这些改进，新的U-Net模型能够更高效地提取和利用多尺度特征，同时灵活地聚焦重要通道，从而显著提高分割效果。在实验过程中，对改进的U-Net模型进行了系统的训练和评估。通过观察训练集和测试集的loss曲线，我们发现两者的loss值在第8个epoch之后迅速下降到最低点，随后逐渐收敛并趋于稳定。这表明我们的模型具有良好的学习能力和泛化能力。此外，通过监测平均交集比（mIoU）的变化，我们可以看到在第35个epoch之后，mIoU逐渐趋近于0.8并且保持稳定，这进一步验证了模型的有效性。与传统U-Net相比，基于GSConv模块和ECA注意机制的改进版本在分割效果上表现出明显的优势，特别是在脑肿瘤图像边缘的处理上，改进模型能够提供更为准确的分割结果，这一成果不仅提高了医学图像分析的准确率，也为临床诊断提供了更可靠的技术支持。综上所述，本文提出的基于GSConv模块和ECA注意机制的改进U-Net模型为脑肿瘤医学图像分割提供了一种新的解决方案，其优越的性能有助于提高疾病的检测和治疗效果，在相关领域具有重要的意义。未来希望进一步挖掘该方法在其他类型医学图像处理中的应用潜力，推动医学影像事业的发展。
使用UNET变压器神经网络在染色的微观切片上进行定量木材解剖结构
森林在地面碳循环中至关重要，并且对它们对持续气候变化的反应的了解对于确定未来的碳浮动和气候轨迹至关重要。在具有对比季节的区域，树木形成可以分配给日历年的离散年环，从而可以提取有关树木对环境的反应的宝贵信息。木材的解剖结构提供了有关树木对气候的反应和适应的高度分辨信息。定量木材解剖结构有助于通过使用木材微剖面的高分辨率图像在细胞水平上测量木材来检索这些信息。然而，尽管在识别细胞结构方面已经取得了很大的进步，但获得有意义的细胞信息仍然受图像上正确的年度树环界定的阻碍。这是一项耗时的任务，需要经验丰富的操作员手动界定环边界。基于像素值的自动分割的经典方法正在用能够区分结构的新方法代替，即使分界需要高水平的专业知识。尽管已使用神经网络进行木环的分割，但木制的木材图像，但阔叶物种染色的微观切片中细胞模式的复杂性需要自适应模型才能准确地完成此任务。我们在山毛榉核心染色的横截面微隔板图像上使用神经网络提出了自动树环边界划定。基于卷积神经网络的应用我们训练了一个UNETR，一个UNET的联合神经网络和视觉变压器的注意机制，以自动分段年度环边界。考虑到具有手动分割的差异以及数量木材解剖学分析目标的差异以及差异的后果。在大多数情况下（91.8％），自动分割匹配或改进了手动细分，即使将手动细分视为更好的情况，两种类别之间的船只分配率也相似。
通过Colortokens Zero Trust微分类保护Epic系统
•和第三，如果不使用EPIC选项，我们将研究连接到EPIC系统的辅助系统和相关部门，例如PACS以及可能的放射学，实验室或药房系统。这些辅助系统是医院的合作伙伴组织，可能存在遗传的风险，或者是与Epic接触的内部医院申请。但是，今天可能无法将代理放置在设备上以启用保护，因此，仅使用Epic桥接的辅助系统与EPIC的接口，因此可以利用这些策略性接口限制访问权限。
测试时间适应性的神经网络，用于强大的医学图像分割
卷积神经网络（CNN）在培训数据集代表预期在测试时遇到的变化时，可以很好地解决监督学习问题。在医学图像细分中，当培训和测试图像之间的获取细节（例如扫描仪模型或协议）之间存在不匹配和测试图像之间的不匹配时，就会违反此前提。在这种情况下，CNNS的显着性能降解在文献中有很好的记录。为了解决此问题，我们将分割CNN设计为两个子网络的串联：一个相对较浅的图像差异CNN，然后是将归一化图像分离的深CNN。我们使用培训数据集训练这两个子网络，这些数据集由特定扫描仪和协议设置的带注释的图像组成。现在，在测试时，我们适应了每个测试图像的图像归一化子网络，并在预测的分割标签上具有隐式先验。我们采用了经过独立训练的Denoising自动编码器（DAE），以对合理的解剖分段标签进行模型。我们验证了三个解剖学的多中心磁共振成像数据集的拟议思想：大脑，心脏和前列腺。拟议的测试时间适应不断提供绩效的改进，证明了方法的前景和普遍性。对深CNN的体系结构不可知，第二个子网络可以使用任何分割网络使用，以提高成像扫描仪和协议的变化的鲁棒性。我们的代码可在以下网址提供：https：//github.com/neerakara/test- time- aptaptable-neural-near-netural-netural-networks- for- domain-概括。
一种脑肿瘤分割的持续学习方法
脑肿瘤的特征是脑组织异常生长，因其对全球发病率和死亡率的影响而成为一项重大的医学挑战。脑肿瘤有多种表现形式，从良性到恶性，后者尤其具有侵袭性且易于转移 (1)。脑肿瘤的病因复杂，包括放射线暴露、遗传易感性和家族史等因素，因此需要早期发现和准确诊断 (2)。在脑肿瘤诊断领域，磁共振成像 (MRI) 因其更高的空间分辨率和软组织对比度而成为优于计算机断层扫描 (CT) 的检查方式。这使得 MRI 成为脑肿瘤病例术前评估、治疗管理和生存预测所必需的 (3)。然而，MRI 扫描中传统的手动分割方法虽然是黄金标准，但却存在固有的效率低下和主观差异性，因此有必要探索自动化技术 (4、5)。近年来，深度学习模型（例如 Ma 等人提出的模型）在自动脑肿瘤分割方面取得了重大成功。这些模型擅长捕捉局部和全局上下文特征，但通常会遇到梯度消失和过拟合的问题，尤其是在较深的网络层中。Kumar 等人（7）通过将 ResNet50 与全局平均池化相结合来解决这些问题，以增强各种肿瘤类型的肿瘤分类。在此基础上，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。