XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
根据机器学习和多元统计，修改欧洲捕鱼机队细分
考虑到由于过度捕捞而导致的过度开发股票的关键问题，建立了欧盟的数据收集框架（DCF）。在DCF中，成员国收集和分析与可持续渔业管理相关的数据。为了评估渔业的地位，有必要将捕鱼机队分为车队。但是，当前的DCF分割主要基于技术血管参数，例如容器长度和主要的渔具，通常不能准确地代表船舶的捕鱼活动。为了解决这个问题，我们开发了一种替代的车队细分方法，该方法提供了更现实的捕鱼活动概述。这种方法利用了多元统计数据，并与机器学习技术一起进行自动化。将这种方法应用于二十年的德国渔业数据，与DCF方法相比，该数据集具有较少段的数据集，DCF方法更贴近实际捕鱼策略。对当前和新型分割方案计算的生物库存健康指标的比较表明，当前方案通常会错过依靠过度开发的股票的细分市场迹象。应用的机器学习技术显示出较高的分类精度，错误分类很少见，并且仅发生在具有重叠捕获组合物的段中。由于机器学习几乎可以完美地分配给修订后的细分市场，因此我们希望成功实施该协议以供未来的车队SEG进行。此方法非常适合数据收集和分析程序，并且可以用作标准工具。因此，这种新颖的方法可以有助于改善捕鱼机队的分析和政策建议，以提供更好的渔业管理。
通过语义扩散综合模型增强路面裂纹分割，以进行战略道路评估
计算机辅助深度学习具有明显的高级道路裂纹细分。但是，由于注释图像有限，监督模型面临挑战。也缺乏重视从预测的面具中得出路面条件指数。本文介绍了一种新型的语义扩散合成模型，该模型从分割掩模创建合成裂纹图像。该模型根据体系结构的复杂性，噪声时间表和条件缩放进行了优化。最佳体系结构优于多个基准数据集的最先进的语义综合模型，展示了出色的图像质量评估指标。合成框架增加了这些数据集，从而导致分割模型具有显着提高的效率。这种方法在没有大量数据收集或注释的情况下增强了结果，从而解决了工程中的关键问题。最后，已经为自动化的端到端缺陷检测系统开发了精致的路面条件指数，从而促进了更有效的维护计划。
基于GSConv模块与ECA注意力机制的改进Unet脑肿瘤图像分割
1 乔治华盛顿大学，华盛顿特区，美国。 2 加州大学伯克利分校电气工程与计算机科学系，加利福尼亚州伯克利，美国。 3 独立研究员，加利福尼亚州圣何塞，美国。 *通讯作者电子邮件：chris.tqy128@outlook.com 摘要。本文讨论了一种改进的脑肿瘤医学图像分割模型，该模型是一种基于U-Net架构的深度学习算法。在传统U-Net的基础上，引入GSConv模块和ECA注意机制来提高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模型能够更有效地提取和利用多尺度特征，同时灵活地关注重要通道，从而显著提高分割结果。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。通过查看训练集和测试集的损失曲线，我们发现两者的损失值在第八个epoch之后都迅速下降到最低点，然后逐渐收敛并稳定下来。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。与传统的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，改进的模型可以提供更准确的分割结果。这一成果不仅提高了医学图像分析的准确性，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意义。未来我们希望进一步探索该方法在其他类型医学图像处理中的应用潜力，推动医学影像的发展。
下一代人类大脑组织学图谱及其在自动脑部 MRI 分割中的应用
图 1：组织学图谱中的 NextBrain，具有优点（）、缺点（）和中立点。（）。（A）打印的图谱 [1]，其中包含一组稀疏的手动追踪切片 [1]。（BG）覆盖范围有限的特定 ROI 的组织学图谱：（B）手动追踪的基底神经节切片 [8]；（C）确定性丘脑图谱的 3D 渲染 [11]；（DF）追踪的 MRI 切片、组织学切片和海马图谱的 3D 渲染 [12]；（G）我们的丘脑概率图谱切片 [14]。（HN）整个人脑的组织学图谱：（H）BigBrain 的 3D 重建切片 [13]；（I）MNI 模板上的 Julich-Brain 标签切片； (J) 标记的 Allen 参考脑组织学切片 [7]；(K) 使用受 (J) 启发的协议标记 MNI 模板；(LN) AHEAD 脑的 MRI、组织学和 3D 渲染 [22]。(OS) 我们的新图谱 NextBrain 包括五个标本的密集 3D 组织学 (OP) 和全面的手动标记 (Q)，从而可以构建概率图谱 (R)，该图谱可与贝叶斯技术相结合，自动标记体内 MRI 扫描中的 333 个 ROI (S)。
Healthcare-Network-ragementation-Advisory。 ...
©2024 Cisco和/或其分支机构。保留所有权利。思科和思科徽标是Cisco和/或其在美国和其他国家的商标和/或其分支机构的商标或注册商标。要查看Cisco商标列表，请转到此URL：www.cisco.com/go商标。提到的第三方商标是其各自所有者的财产。使用该词合作伙伴一词并不意味着思科与任何其他公司之间的伙伴关系。（1110r）06/24
骨盆放射疗法中的自动分割
人工智能可以标准化和自动化高度要求的程序，例如手动策略，尤其是在像骨盆一样常见的解剖部位中。这项研究研究了女性和男性骨盆放射疗法（RT）的四种自动化序列工具（CT）图像，从基于ATLAS的简单和著名方法开始到最新的基于神经网络的算法。评估包括定量，定性和时间效率评估。回顾性地选择了一系列40个宫颈癌和40个前列腺癌结构集。在准备阶段后，每个站点的剩余20个测试集由基于Atlas的模型主食，一个基于森林的随机模型以及两个基于森林的模型以及两个基于深度学习的工具（DL），Mvision和Limbusai自动分割。将手动分割设置为地面真理，根据骰子相似性系数（DSC），Hausdorff距离（HD）和距离对验证部分（DAP）比较了200个结构集。自动分割和手动校正持续时间。专业临床医生进行了定性评估。在宫颈癌CTS中，DL的表现优于其他工具，具有较高的定量指标，定性得分和较短的校正时间。另一方面，在前列腺癌CT中，所有分析工具的性能在定量和定性指标方面都是可比的。减少分割时间可以减轻自动化工作流程中骨盆辐射疗法常规的负担。性能结果的这种差异可以通过宫颈癌的各种解剖学变异性在前列腺立体定位疗法（SBRT）中的严格膀胱和直肠填充制剂方面的广泛解剖变异性来解释。
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。
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。
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。