XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。
术中脑肿瘤超声图像的开放访问分割
1 4 4 4 4 3 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 51 4 4 4 4 3 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5
人工生态系统中植物的高光谱分割
高光谱成像为分析人工生态系统中地上植物的特征提供了强大的工具，能够提供涵盖不同波长的丰富光谱信息。本研究提出了一种高效的高光谱数据分割和后续数据分析流程，通过使用稀疏混合尺度卷积神经网络集成，最大限度地减少了用户注释的需求。分割过程利用集成的多样性，以最少的标记数据实现高精度，从而减少了劳动密集型的注释工作。为了进一步增强稳健性，我们结合了图像对齐技术来解决数据集的空间变异性问题。下游分析侧重于利用分割数据处理光谱数据，从而实现植物健康状况的监测。该方法为光谱分割提供了一种可扩展的解决方案，并有助于在复杂受控环境中对植物状况进行切实可行的洞察。我们的研究结果证明了将先进的机器学习技术与高光谱分析相结合，可以实现高通量植物监测。
使用简单分割工具开发和验证规范健康和健康相关社会需求的简要评估
© 作者 2025。开放存取 本文根据知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议授权，允许以任何媒体或格式进行任何非商业性使用、共享、分发和复制，只要您给予原作者和来源适当的信任、提供知识共享许可协议的链接并表明您是否修改了许可材料。根据此许可，您无权共享源自本文或本文部分内容的改编材料。本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非材料致谢中另有说明。如果材料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，您需要直接从版权所有者处获得许可。要查看此许可的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/。
为神经退行性疾病的内侧颞叶前区域开发有效的有效分割协议，作者：niyou
开发神经退行性临时媒体的解剖学验证协议：，Winifred Trotman 3，Francisco Javier Romero Molina 5，JoséCarlosBlood 5，Jimenez Sea of Jimenez 5，Pillar Mars Rabal Mars Rabal 5，Prieto 5，Prieto 5，Ricardo 5，Ricardo insaul 5，Ricardo insaul 5，la la la la la la la la em em em em em em em em em。Wisse 7
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
pBrain：一种用于帕金森相关脑结构分割的新型管道
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
应用于新生儿大脑MRI分割的合成学习的综合分析
图4（a）在GT_DRAWEM和从T2W或T1W的SynthMotinh模型之间计算出的骰子分数的所有主题的分布，对于不同的结构。（b）从Synthmotinh模型预测计算出的GM体积的散点图。y轴预测是由T2W体积和T1W体积的X轴进行的。（c）跨不同方法的视觉观察的说明。地面真相标签（gt_drawem）以绿色显示，预测为红色。蓝色箭头指示与T1W图像有关GT的可见未对准区域。红色箭头指示预测中的局部错误。（d）预测GM标签（蓝色）和GM GT（橙色）中T1W和T2W图像强度的直方图。
开发和验证两阶段卷积神经网络算法，用于分割MRI白质超强度，用于纵向研究
背景：卡达西尔（Cadasil）的白质超强度（WMH）的分割是最严重的遗传起源小脑小血管之一，具有挑战性。方法：我们根据卷积神经网络（CNN）al-gorithm进行了自动方法，并使用了132名患者获得的2D和/或3D FLAIR和T1加权图像的大数据集，以在这种情况下测量WMH的进展。结果：使用此方法测量的WMH的体积与专家验证的参考数据密切相关。WMH分割也明显改善。结合了两个连续的学习模型特别感兴趣，从而减少了假阳性体素的数量以及单级过程后检测到的分割不足的程度。使用两阶段方法，WMH进展与从参考掩模中得出的病变的度量随着年龄的增长而增加，以及与单个级别的可变WMH进展轨迹相关。我们还确认了WMH初始负载的预期影响以及MRI获取类型对此进展的测量的影响。结论：总的来说，我们的发现表明，可以通过CNN分割算法自动测量卡达西尔的WMH进展。
A2V：通过两阶段训练血管造影到静脉造影转换进行脑血管分割的半监督域自适应框架
我们提出了一个半监督域自适应框架，用于从不同的图像模态中分割脑血管。尽管可用的脑血管成像技术范围很广，但现有的最先进的方法只关注单一模态。这可能导致显著的分布变化，从而对跨模态的泛化产生负面影响。通过依赖带注释的血管造影和有限数量带注释的静脉造影，我们的框架完成了图像到图像的转换和语义分割，利用解开的、语义丰富的潜在空间来表示异构数据并执行从源域到目标域的图像级自适应。此外，我们降低了基于循环的架构的典型复杂性并最大限度地减少了对抗训练的使用，这使我们能够构建一个具有稳定训练的高效、直观的模型。我们在磁共振血管造影和静脉造影上评估了我们的方法。在源域中实现最佳性能的同时，我们的方法在目标域中的 Dice 得分系数仅低 8.9％，凸显了其在不同模态下进行稳健脑血管图像分割的巨大潜力。