XiaoMi-AI文件搜索系统
World File Search Systemslices
使用间接太阳能烘干机对香蕉切片的干燥参数进行预后分析的高级机器学习开发
在这项研究中，使用了极端梯度提升（XGBoost）和光梯度提升（LightGBM）al-gorithms用间接太阳能干燥机的香蕉切片的干燥特性进行模型。建立了自变量（温度，水分，产品类型，水流量和产品质量）与因变量（能源消耗和降低）之间的关系。用于耗能，XGBoost在训练过程中以0.9957的r 2为0.9957，在测试过程中表现出优异的表现，在训练期间的最小MSE为0.0034，在训练期间为0.0008，在测试阶段表明高预测性获得率和低错误率。相反，LGBM显示较低的R 2值（0.9061训练，0.8809测试）和较高的MSE在训练过程中的MSE为0.0747，在测试过程中0.0337显示了0.0337，反映了较差的表现。同样，对于收缩预测，XGBOOST优于LGBM，较高的R 2（0.9887训练，0.9975测试）和较低的MSE（0.2527培训，0.4878测试）证明了LGBM。统计数据表明，XGBoost定期胜过LightGBM。基于游戏理论的Shapley功能表明，温度和产品类型是能源消耗模型的最具影响力的特征。这些发现说明了XGBoost和LightGBM模型在食品干燥操作中的实际适用性，以优化干燥调节，提高产品质量并降低能耗。
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2
肿瘤组织切片体外处理作为评估肾癌患者靶向治疗的预测性临床前方法
1 格勒诺布尔阿尔卑斯大学、法国国家健康与医学研究院、CEA、IRIG-癌症和感染生物学、UMR_S 1036、F-38000 格勒诺布尔、法国； caroline.roelants@inovarion.com （CR）; qfranquet@chu-grenoble.fr（QF）; csarrazin1@chu-grenoble.fr （客户服务） nicolas.peilleron@gmail.com （NP）; sofiagiacosa@gmail.com（新加坡）; laurent.guyon@cea.fr （LG）; claude.cochet@cea.fr (CC) 2 Inovarion, 75005 巴黎，法国 3 格勒诺布尔阿尔卑斯大学，INSERM，CEA，IRIG-大规模生物学，UMR 1038，F-38000 格勒诺布尔，法国； catherine.pillet@cea.fr 4 格勒诺布尔阿尔卑斯大学医院，CS 10217，38043 格勒诺布尔 CEDEX 9，法国； lafontanell@chu-grenoble.fr（AF）; g.fiard@ucl.ac.uk （GF）; JALong@chu-grenoble.fr（J.-AL）; jldescotes@chu-grenoble.fr (J.-LD) * 通信地址：odile.filhol-cochet@cea.fr;电话：+ 33-(0)4-38785645；传真：+ 33-(0)4-38785058
标题：下丘脑大脑切片中的多元素阵列记录运行的头部：穿孔的多电极阵列记录作者
标题：下丘脑脑切片中的多峰阵列记录跑步头：穿孔多电极阵列记录作者：Mino D. C. Belle 1,2，BeatrizBaño-Otalora 1和Hugh D.Piggins 1
标题 使用微流体平台对肿瘤切片进行多路复用药物测试 作者 LF Horowitz 1#,2,3 , AD Rodriguez 3 , Z. Dereli-Korkut 5 ,
摘要 目前评估个体人类癌症药物反应的方法通常不准确、成本高或速度慢。快速直接评估患者癌症组织对药物或小分子反应的功能性方法为改善药物测试提供了一种有希望的方法，并有可能为个体患者确定最佳治疗方法。我们开发了一个数字化制造的微流体平台，用于对完整的癌症切片培养物进行多路复用药物测试，并展示了该平台在评估人类胶质瘤异种移植和患者肿瘤活检切片培养物中的药物反应方面的应用。这种方法保留了大部分组织微环境，可以在手术后几天内迅速提供结果，以指导选择有效的初始疗法。我们的研究结果为癌症药物测试和开发建立了一个有用的临床前平台，并有可能改善癌症个性化医疗。
胎儿脑部 MRI 的回顾性运动估计
自 20 世纪 80 年代以来，磁共振成像 (MRI) 就已用于研究发育中的胎儿大脑。然而，运动 (母亲和胎儿的) 一直是一个真正的挑战，限制了所获取图像的探索能力。在产前成像中，大脑的完整图像实际上是一堆 2D 切片。这些采集通常沿空间的三个轴进行，以便为放射科医生提供大脑的 3D“视觉”。切片的采集时间通常足够短 (少于 1 秒) 以“冻结”运动。因此，受试者的运动主要会引起几何失真伪影，即 2D 切片的堆叠不能直接反映大脑的 3D 几何形状。因此，有必要回顾性地估计运动以重建胎儿大脑的 3D 图像 [1]。胎儿数据重建的主要方法称为“切片到体积配准”的 SVR，该方法基于两个步骤：估计相对运动，然后融合数据 [2–4]。在产前成像的情况下，配准问题属于 2D-3D 类型，即我们必须估计切片和参考体积之间的运动。此参考体积也是我们想要重建的图像，因此是未知的。从对参考体积的首次估计，通过最小化当前切片和参考体积之间的对齐标准来估计每个切片的对齐。然后根据为每个切片估计的变换集重新计算后者。重建体积的质量在很大程度上取决于切片配准的质量。该过程以迭代方式重复，直到算法收敛。为了使这些方法对受试者的运动更具鲁棒性，已经开发了深度学习方法 [5,6]。然而，基于迭代重建的方法对于分析临床常规获取的大型图像数据库仍然不够稳健。因此，有必要检测出未对准的切片，以便不将它们包括在重建步骤中[7,8]或减少它们对重建的影响[9]。为了解决这个问题，一种解决方案是通过使用正交切片的交点并将它们的对应关系强加到 3D 交点 [10]，将切片的运动校正与重建步骤完全分开。这种方法可以独立解决切片运动校正和 3D 体积重建的问题。在本文中，我们开发了一种使用机器学习方法来估计与未对准切片检测相关的切片运动的方法。所提出的方法称为 ROSI，即“基于正交切片交点的配准”。对合成和真实数据进行的评估表明，与 SVR 方法相比，所提出的方法更有吸引力。
使用多模态 MRI 扫描对多视图 CNN 模型进行集成学习以预测脑肿瘤患者的生存时间
本研究提出的方法的一个关键思想是将 3D MRI 扫描转换为轴向、冠状面和矢状面的 2D 堆叠切片。因此，对于每个患者，都会从第 2.1 节中定义的四种 MRI 模式生成 12 个 2D 堆叠 MRI 切片。此后，我们将这 12 个 2D 堆叠切片分别表示为 FLAIR MRI 模式的轴向、冠状面和矢状面投影的 FLAIR-轴向、FLAIR-冠状面和 FLAIR-矢状面。同样，T1、T1CE 和 T2 模式的轴向、冠状面和矢状面视图分别表示为 T1-轴向、T1-冠状面和 T1-矢状面、T1CE-轴向、T1CE-冠状面和 T1CE-矢状面以及 T2-轴向、T2-冠状面和 T2-矢状面。为避免处理背景和管理 GPU 内存限制，我们排除了每张 MRI 扫描中不包含任何脑组织的一些开始和结束切片。每张切片的强度像素也在 0 到 255 的范围内重新缩放，转换为 PNG 格式，并归一化为零均值和单位方差。MRI 扫描的 3D 到 2D 重建使每张 2D 轴向、冠状面和矢状面投影图像的形状大小分别为 240 × 240、155 × 240 和 155 × 240 像素。这些投影图像
Nilay Mitash博士
1。PubMed：https：//www.ncbi.nlm.nih.gov/myncbi/1pkxt6fmcbsaq/bibliography/public/ 2。Google Scholar：https：//scholar.google.com/citations?user = vcdrvu4aaaaaj&hl = en 3。研究门：https：//www.researchgate.net/profile/nilay_mitash2 4。LinkdIn: https://www.linkedin.com/in/nilay-mitash-phd-1a24a54a/ Area of Specialization : Cancer Biology, microRNA mediated gene regulation, Pulmonary Fibrosis, Precision cut lung slices tissue model Research Interest : My core competencies lie in utilizing tissue model systems, particularly tissue- based precision-cut lung slices, which closely mimic慢性疾病等肺纤维化的复杂性。这些模型使我们能够评估候选药物和生物标志物对慢性疾病的功效和安全性。我的任务是为生物医学研究的发展做出贡献，并最终改善人类健康。我也对教学和指导初级研究人员和研究生充满热情。我最强的技术技能包括荧光显微镜，蛋白质印迹，流式细胞仪，RNA测序分析，途径分析，QPCR，QPCR，支气管上皮细胞中离子通道的电生理学，统计分析和数据可视化。以前，我曾在匹兹堡大学医学院担任研究教练，直到2024年5月，我是一个财团和创新生态系统的一部分，旨在加速肺纤维化的有效疗法（PF），这是一种慢性，进步的肺部疾病，没有当前的治疗。医学生物技术学生。我带来了七年的博士后研究经验，并拥有博士学位。来自印度勒克瑙的S.G.P.G.I.M.S.的MicroRNA膀胱癌。在我目前在印度浦那塔特瓦德（Tathwade）的D. Y. Patil生物技术学院和生物信息学研究所担任助理教授的角色，我向B.Tech教书。
基于优先级的负载平衡与多代理深的增强学习，用于空气空间集成网络切片
摘要 - 已研究了用于支持多样化应用的Space-Air-fromend集成网络（SAGIN）切片，该应用由陆地（TL）组成，由基站（BS）部署（BS），由无人驾驶汽车（无人驾驶汽车（UAV）的空中层部署的空中层（AL）组成。每个Sagin组件的能力是有限的，在退出文献中尚未完全考虑高效和协同负载平衡。为了这种动机，我们最初提出了一种基于优先级的载荷平衡方案，用于Sagin切片，其中AL和SL合并为一层，即非TL（NTL）。首先，在相同的物理萨金下建造了三个典型的切片（即高通量，低延迟和宽覆盖片）。然后，引入了一种基于优先级的跨层负载平衡方法，用户将拥有访问陆地BS的优先级，并且不同的切片具有不同的优先级。更具体地说，超载的BS可以将低优先级切片的用户卸载到NTL。此外，通过制定多目标优化问题（MOOP），共同优化相应切片的吞吐量，延迟和覆盖范围。此外，由于TL和NTL的独立性和优先级关系，上述摩托车被分解为两个子摩托车。报告的仿真结果表明了我们提出的LB方案的优势，并表明我们所提出的算法优于基准测试器。最后，我们自定义了一个两层多代理的深层确定性策略梯度（MADDPG）算法，用于求解这两个子问题，该问题首先优化了TL的用户-BS关联和资源分配，然后确定UAVS的位置部署，USE-UAV/Leo satellite Satellite Association和NTL的资源分配。