XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
公众对入侵害虫控制基因技术的态度以及参与和信息的偏好：细分分析
基因技术的进步有望解决日益严重的入侵害虫问题。当前的研究旨在提高我们对公众看法的理解，以及在研究和开发该技术以供部署时潜在的公众参与途径和信息需求。对 1,149 名澳大利亚人进行了调查，并根据他们的态度将样本分为 4 组：某些反对者、骑墙派、谨慎支持者和某些支持者。“轻触式”参与活动似乎让大多数人感到满意；但对于对该技术持负面看法的一小部分人来说，更深入的参与可能更合适。总体而言，人们希望了解基因编辑技术的潜在风险以及相关的监管和控制。持更积极看法的人也对科学过程和技术表现出兴趣，而持更消极看法的人则想知道正在采取哪些措施来处理社会和道德问题。研究结果提供了以下方面的见解：1）当公众面临采用合成生物学方法解决环境问题时，他们的观点以及相关信念和感受的多样性；2）如何定制公众参与活动以符合人们的参与信念和既定偏好；3）生物技术开发人员在努力以对社会负责的方式设计基因技术时应解决哪些问题。
使用 3D U-Net 自动分割术中超声图像中的脑肿瘤
由于神经外科手术期间大脑会变形，因此可以使用术中成像来可视化大脑结构的实际位置。这些图像用于图像引导导航以及确定切除是否完整并定位剩余的肿瘤组织。术中超声 (iUS) 是一种便捷的模式，采集时间短。然而，由于噪音和伪影，iUS 图像难以解释。特别是，肿瘤组织很难与健康组织区分开来，并且很难在 iUS 图像中划定肿瘤的界限。在本文中，我们提出了一种使用 2-D 和 3-D U-Net 在 iUS 图像中自动分割低级别脑肿瘤的方法。我们对网络进行了三重训练，每重有 12 个训练案例和 5 个测试案例。获得的结果很有希望，中位 Dice 得分为 0.72。估计分割和真实分割之间的体积差异与评分者内部体积差异相似。虽然这些结果是初步的，但它们表明深度学习方法可以成功应用于术中图像中的肿瘤分割。
已发布版本的引用 (APA)：Piri, R., Edenbrandt, L., Larsson, M., Enqvist, O., Nøddeskou-Fink, A. H., Gerke, O., & Høilund-Carlsen, P. F. (2022)。18F-氟化钠 PET/CT 扫描中的主动脉壁分割：基于人工智能与手动分割的头对头比较。《核心脏病学杂志》：美国核心脏病学会官方出版物，29(4)，2001-2010。 https://doi.org/10.1007/s12350-021-02649-z
作者完整列表： Piri, Reza；奥登斯大学医院，核医学系；南丹麦大学，临床研究 Edenbrandt, Lars；哥德堡大学，分子与临床医学系，医学研究所，萨尔格伦斯卡学院 Larsson, Måns；Eigenvision AB Enqvist, Olof；Eigenvision AB；查尔姆斯理工大学，电气工程系 Nøddeskou-Fink , Amalie；奥登斯大学医院，核医学系 Gerke, Oke；奥登斯大学医院，系。核医学；南丹麦大学，系。临床研究 Høilund-Carlsen, Poul；奥登斯大学医院，核医学系
CellSeg3d：荧光显微镜的自我监督3D细胞分割
了解细胞的复杂三维结构在生物学的许多学科中至关重要，尤其是在神经科学中。在这里，我们介绍了一组模型，包括3D变压器（Swinuneter）和一种新颖的3D自我监督学习方法（WNET3D），旨在解决生成3D地面真相数据和量化3D卷的核的固有复杂性。我们开发了一个名为CellSeg3d的Python软件包，该软件包在Jupyter笔记本和Napari GUI插件中提供了对这些模型的访问。认识到高质量的3D地面真相数据的稀缺性，我们创建了一个完全被人类宣传的中膜数据集，以提高该领域的评估和基准测试。为了评估模型性能，我们在四个不同的数据集中进行了测试：新开发的MesoSpim数据集，一个3D Platynereis-ish-Nuclei共聚焦数据集，一个单独的3D Platynereis-Nuclei灯光数据集，以及一个具有挑战性且具有挑战性和密集包装的Mouse-Skull-Nucleii colderii coldasaset。我们证明，我们的自我监管模型WNET3D（未经任何地面真相标签训练）以最先进的监督方法来实现绩效，为在标签式生物学环境中更广泛的应用铺平了道路。
细胞自主定时驱动脊椎动物分割时钟的波模式
生长的脊椎动物体的抽象节奏和顺序分割依赖于分割时钟，这是一种多细胞振荡遗传网络。时钟可见为组织级运动学基因表达的运动波，这些运动波穿过前中胚层（PSM），并在每个形成段的位置停滞。在这里，我们测试了该标志性波模式是如何通过培养单个成熟PSM细胞来驱动的。我们将它们的细胞自主振荡和停滞动力学与我们在细胞分辨率下在胚胎中观察到的动力学进行了比较，发现振荡相对放慢的相似性和与分化的一致性相似。这表明细胞不需要细胞 - 超支信号来指导波模式下的发展程序。我们表明，在尾梁中退出的细胞中，一个细胞自主的时序活动会启动，然后在PSM中的前向细胞流中向下延伸，从而使用经过的时间为时钟提供位置信息。外源性FGF延长了细胞中性计时器的持续时间，表明胚胎中的外在因子可能通过计时器调节分段时钟。总的来说，我们的工作表明，嘈杂的细胞自主，固有的计时器驱动了波模式下的振荡放缓和停止，而胚胎中的外部因素则在该计时器的持续时间和精确度中。这是对驱动发育中组织模式的细胞中性和 - 超级机制平衡的新见解。
利用深度学习分割技术和连接的组件分析使用2D图像对立面改造的高级成本估算
摘要：应用于2D立面图像的深度学习语义分割技术在几个领域中具有巨大的希望，这些域远远超出了模型的生成，主要是如果所使用的数据是前平行的或正顺序的照片。但是，在建筑遗产领域中的有效应用尚未得到充分探索，这主要是由于缺乏多学科团队，这些团队早在数据集创建阶段就包括建筑专业人员。这项研究的目的是引入整体观点，以证明最先进的细分模型的实际实用性，以自动化城市规模住宅建筑物立面康复的高级成本估计，并在结合使用连接的组件分析时自动化。为了实现这一目标，以五个简单的阶段制定了可扩展的自下而上方法，其中包括数据科学和体系结构专业知识。该策略旨在提高早期阶段分析的准确性，并在有限的构造信息可用，并且存在很大的成本不确定性，因此可以优化参与经济可行性研究和决策过程的建筑利益相关者使用的策略。
引入新芽（使用阈值的区域输出的半自动化划分）：一种适应性的计算机视觉工具，用于生成3D分段
3D图像数据的可用性提高需要提高目前依赖手动标记的数字细分效率，尤其是在将结构分为多个组件时。自动化和半自动化的方法，例如深度学习和智能插值，但需要预先标记的数据，以及专门的硬件和软件。深度学习模型通常需要手动创建广泛的培训数据，尤其是对于复杂的多级分段。在这里，我们介绍了Sprout，这是一种新颖的，半自动化的计算机视觉方法，提供了时间效率且用户友好的管道，用于细分和分析图像数据。发芽基于指定的密度阈值和连接组件的侵蚀生成种子（代表对象的部分），以实现元素分离。种子生长以获得完全分类的分割。我们将Sprout的性能与智能插值的性能进行比较，并将其应用于不同的数据集，以证明此开源3D细分方法的实用性和多功能性。
glioseg 的验证：实现稳健的胶质瘤分割
在实习期间，您将通过广泛的验证协议评估 Glioseg 的稳健性，其中包括分析管道中使用的各个分割模型的输出，并探索各种标签融合策略以组合这些输出。目标是实施和比较几种融合策略（从简单到更高级的策略），并找到提高分割准确性的最佳策略。在评估阶段，您将使用来自胶质瘤患者的扫描的保留数据集，其中将提供两位专家评估者的分割结果。这项工作将有助于提高管道的稳健性，并可能为脑肿瘤分析带来更好的临床应用。对于这个项目，拥有一些基本的 Python 编程和深度学习经验很重要。
通过PerilyMph采样探索内耳和大脑连通性，以早期检测神经系统疾病：一种挑衅性的建议
多边形网格已成为离散近似3D形状的标准，这要归功于它们在捕获不均匀形状方面的效率和高灵活性。然而，这种不均匀性导致网格结构的不规则性，使诸如3D网格分割之类的任务尤其具有挑战性。通常通过基于CNN的方法来解决3D网格的语义分割，从而可以良好准确。最近，变形金刚在NLP和计算机视野领域都获得了足够的动力，至少在CNN模型中取得了表现，从而支持了长期以来的建筑普遍主义。按照这种趋势，我们提出了一种基于变压器的方法，用于通过全球注意机制对网格的图形结构进行更好的建模。为了解决标准变压器架构在建模非序列数据相对位置的局限操作员。在Maron等人提出的人类分割数据集上，对三组Coseg数据集进行了实验结果（Wang等，2012）。（2017）和Shapenet基准（Chang等，2015），展示了所提出的方法如何在3D网格的语义分割方面产生最新的性能。
NICOL机器人的对象检测和分割
本报告在德国汉堡大学的知识技术研究小组中介绍了我的四个月实习。这项实习的目标是在与Nicol机器人的对象检测领域中找到一个研究主题，并在此主题上工作。实习涉及使用ROS和凉亭在模拟环境中的开发和测试，在Nicol机器人上实施3D摄像机以及对象探测器的研究。此多学科实习包括研究小组中的模拟，材料集成，项目手势和协作。最后，他为改善我对英语的掌握，演讲技巧以及为我提供了出色的跨文化经验做出了贡献。