XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
AM-SegNet 用于增材制造原位 X 射线图像分割和特征量化
摘要 同步加速器 X 射线成像已用于检测金属增材制造 (AM) 过程中熔池的动态行为，此过程中会产生大量图像数据。在此，我们开发了一种高效且稳健的深度学习模型 AM-SegNet，用于分割和量化高分辨率 X 射线图像，并准备了一个包含超过 10,000 个像素标记图像的大型数据库，用于模型训练和测试。AM-SegNet 结合了一个轻量级卷积块和一个定制的注意机制，能够以高精度（∼ 96%）和处理速度（每帧 < 4 毫秒）执行语义分割。分割结果可用于关键特征（例如锁孔和孔隙）的量化和多模态相关分析。此外，还展示了 AM-SegNet 在其他先进制造工艺中的应用。所提出的方法将使制造和成像领域的最终用户能够加速从收集到分析的数据处理过程，并提供对过程控制物理学的洞察。
探索图像和3D数据分割方法
1。引言语义细分是计算机视觉和机器学习领域中的关键方面，在一系列应用程序中具有实质性的重要性。这个复杂的过程涉及图像或体积数据中单个像素或体素的细致标记，从而促进了指定的视觉上下文中不同对象类的识别[1]。语义分割中固有的方法学上的精确度使计算系统不仅可以识别和分类图像的内容，还可以为每个像素或体素分配语义含义，从而增强对手头视觉信息的整体理解。在诸如自主驾驶[2]，室内导航[2]，环境监测[3]，映射[4]，虚拟现实系统和增强现实系统[5]等应用程序中，对高性能语义分割的需求显着飙升。图像或体积数据中对象的准确描述对于增强这些技术的沉浸式体验和功能至关重要。但是，语义细分领域面临着需要解决的几个挑战，以确保其有效性。这些挑战包括实现准确和实时的分割[6]，处理具有不同复杂性的不同数据集，并适应了二维（2D）和3D上下文。克服这些挑战对于成功地部署了依靠语义细分的尖端应用程序[7]至关重要。本文旨在通过提供针对语义细分的深度学习技术的全面概述来应对这些挑战。它探讨了2D和3D分割之间的区别[8]，讨论了主要数据集及其复杂性，并调查专门用于语义分割的神经网络体系结构。
基于深度学习的脑肿瘤检测：MRI 分割方法
摘要。从磁共振成像 (MRI) 扫描中检测和分割脑肿瘤对于诊断、计划治疗和监测神经系统疾病患者至关重要。本摘要全面概述了基于深度学习的脑肿瘤检测方法，重点介绍了 MRI 图像分割技术。深度学习模型，尤其是卷积神经网络 (CNN)，通过直接从图像数据中学习独特特征，在准确分割脑肿瘤方面取得了令人印象深刻的效果。各种 CNN 架构，例如 U-Net、DeepMedic 和 3D 卷积网络，都是专门为解决脑肿瘤分割的挑战而设计的，包括肿瘤异质性、不规则形状和不同大小。此外，多模态 MRI 数据（例如 T1 加权、T2 加权和 FLAIR 图像）的集成增强了用于脑肿瘤检测的深度学习模型的稳健性和准确性。本摘要讨论了基于深度学习的脑肿瘤检测的重要进展、挑战和未来方向，强调了 MRI 分割技术在支持临床医生对脑肿瘤患者进行早期诊断和个性化治疗计划方面的潜力。
脑肿瘤分割图像增强技术的比较分析：对比度、直方图和混合方法
摘要。本研究系统地研究了图像增强技术对基于卷积神经网络 (CNN) 的脑肿瘤分割的影响，重点关注直方图均衡化 (HE)、对比度限制自适应直方图均衡化 (CLAHE) 及其混合变体。该研究在 3064 张脑 MRI 图像的数据集上采用 U-Net 架构，深入研究了预处理步骤，包括调整大小和增强，以优化分割精度。对基于 CNN 的 U-Net 架构、训练和验证过程进行了详细分析。利用准确度、损失、MSE、IoU 和 DSC 等指标进行的比较分析表明，混合方法 CLAHE-HE 始终优于其他方法。结果突出了其卓越的准确度（训练、测试和验证分别为 0.9982、0.9939、0.9936）和强大的分割重叠，Jaccard 值为 0.9862、0.9847 和 0.9864，Dice 值为 0.993、0.9923 和 0.9932，强调了其在神经肿瘤学应用中的潜力。研究最后呼吁改进分割方法，以进一步提高神经肿瘤学的诊断精度和治疗计划。
心脏结构的进步细分
背景：心脏结构的分割是评估成像心脏的重要步骤。人们对霍蒂智能（AI）方法（尤其是深度学习（DL））的兴趣越来越大，可用于自动化这一过程。现有的心脏分割的AI方法主要集中在心脏MRI上。这项系统的审查旨在评估监督DL工具的性能和质量，以分割CT的心脏结构。方法：搜索EMBASE和MEDLINE数据库，以确定2013年1月1日至2023年12月4日的相关研究。2013年1月1日之后发表在同行评审期刊上的原始研究有资格纳入，如果他们提供了基于DL的基于DL的工具，用于对CT上的心脏结构进行分割和非冠状大船只的分割。从合格研究中提取的数据包括有关被分割的心脏结构，研究位置，DL体系结构和报告的性能指标，例如骰子相似性系数（DSC）。使用清单的医学成像中的人工智能清单评估了纳入的研究的质量（主张）。结果：包括2020年以后发表的18项研究。The DSC scores median achieved for the most commonly segmented structures were left atrium (0.88, IQR 0.83 – 0.91), left ventricle (0.91, IQR 0.89 – 0.94), left ventricle myocardium (0.83, IQR 0.82 – 0.92), right atrium (0.88, IQR 0.83 – 0.90), right ventricle （0.91，IQR 0.85 - 0.92）和肺动脉（0.92，IQR 0.87 - 0.93）。与索赔的研究合规性是可变的。特别是，只有58％的研究表明符合数据集说明标准，大多数研究未在外部数据（81％）上测试或验证其模型。结论：监督的DL已应用于CT上各种心脏结构的分割。大多数表现出与DSC值测量的相似性能。现有研究受到培训数据集的规模和性质的限制，对地面真相注释的描述不一致以及在外部数据或临床环境中缺乏测试。
对细胞分割的计算方法的系统评估
。cc-by-nc 4.0国际许可（未获得同行评审证明），他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年1月31日。 https://doi.org/10.1101/2024.01.28.577670 doi：biorxiv preprint
利用微分段做好防范攻击的准备
精心规划的主动网络防御方法，利用微分段技术弥补了这一缺陷。微分段是网络防御不可或缺的一部分。它与 EDR、防火墙和防病毒防御策略的不同之处在于，它假设入侵已经成功发生。微分段通过在企业网络中的每个资产周围建立微边界并阻止其横向移动，在入侵发生后阻止恶意软件或勒索软件的传播。它是一种工具，可以缩小入侵的爆炸半径和攻击者可利用的攻击面。它允许您定义哪些资产组应该通信，哪些资产组通常不应该通信，以及该资产在业务中的上下文。微分段策略基于以下上下文定义：
AML-Net：基于注意力机制的医疗物联网脑肿瘤分割多尺度轻量级模型
摘要 利用 MRI 图像进行脑肿瘤分割对于疾病诊断、监测和治疗计划非常重要。到目前为止，已经为此开发了许多编码器-解码器架构，其中 U-Net 的使用最为广泛。然而，这些架构需要大量参数来训练，并且存在语义差距。一些工作试图制作一个轻量级模型并进行通道修剪，但这会产生较小的感受野，从而影响准确性。为了克服上述问题，作者提出了一种基于注意机制的多尺度轻量级模型 AML-Net，用于医疗物联网。该模型由三个小型编码器-解码器架构组成，它们使用不同尺度的输入图像以及先前学习的特征进行训练以减少损失。此外，作者设计了一个注意力模块来取代传统的跳过连接。对于注意力模块，进行了六个不同的实验，其中具有空间注意力的扩张卷积表现良好。这个注意力模块有三个扩张卷积，它们形成了一个相对较大的感受野，然后是空间注意力，以从编码器低级特征中提取全局上下文。然后将这些精细特征与解码器同一层的高级特征相结合。作者在 Cancer Genome Atlas 提供的低级别胶质瘤数据集上进行实验，该数据集至少具有液体衰减反转恢复模态。与 Z-Net、U-Net、Double U-Net、BCDU-Net 和 CU-Net 相比，所提出的模型的参数分别少 1/43.4、1/30.3、1/28.5、1/20.2 和 1/16.7。此外，作者的模型给出的结果为 IoU = 0.834、F 1-score = 0.909 和灵敏度 = 0.939，大于 U-Net、CU-Net、RCA-IUnet 和 PMED-Net。
通过解缠表示学习和区域感知对比学习进行多模态脑肿瘤分割
脑肿瘤威胁着全世界人民的生命和健康。在医学图像分析中，使用多张 MRI 图像进行自动脑肿瘤分割是一项挑战。众所周知，准确的分割依赖于有效的特征学习。现有的方法通过明确学习共享的特征表示来解决多模态 MRI 脑肿瘤分割问题。然而，这些方法无法捕捉 MRI 模态之间的关系以及不同目标肿瘤区域之间的特征相关性。在本文中，我提出了一种通过解缠结表示学习和区域感知对比学习的多模态脑肿瘤分割网络。具体而言，首先设计一个特征融合模块来学习有价值的多模态特征表示。随后，提出一种新颖的解缠结表示学习，将融合的特征表示解耦为与目标肿瘤区域相对应的多个因子。此外，还提出了对比学习来帮助网络提取与肿瘤区域相关的特征表示。最后，使用分割解码器获得分割结果。在公开数据集 BraTS 2018 和 BraTS 2019 上进行的定量和定性实验证明了所提策略的重要性，并且所提方法可以实现比其他最先进的方法更好的性能。此外，所提出的策略可以扩展到其他深度神经网络。
使用基于多站点数据训练的渐进式细节层次网络对抗脑部 MRI 分割中的扫描仪效应
许多人脑的临床和研究都需要精确的 MRI 结构分割。虽然传统的基于图谱的方法可以应用于来自任何采集部位的体积，但最近的深度学习算法只有在对训练中使用的相同部位的数据（即内部数据）进行测试时才能确保高精度。外部数据（即来自看不见的部位的看不见的体积）的性能下降是由于部位间强度分布的变化，以及不同 MRI 扫描仪模型和采集参数导致的独特伪影。为了减轻这种部位依赖性（通常称为扫描仪效应），我们提出了 LOD-Brain，这是一个具有渐进细节层次（LOD）的 3D 卷积神经网络，能够分割来自任何部位的大脑数据。较粗的网络级别负责学习有助于识别大脑结构及其位置的稳健解剖先验，而较细的网络级别则细化模型以处理特定部位的强度分布和解剖变化。我们通过在前所未有的丰富数据集上训练模型来确保跨站点的稳健性，该数据集汇集了来自开放存储库的数据：来自大约 160 个采集站点的近 27,000 个 T1w 卷，规模为 1.5 - 3T，来自 8 至 90 岁的人群。大量测试表明，LOD-Brain 产生了最先进的结果，内部和外部站点之间的性能没有显著差异，并且对具有挑战性的解剖变异具有稳健性。它的可移植性为跨不同医疗机构、患者群体和成像技术制造商的大规模应用铺平了道路。代码、模型和演示可在项目网站上找到。