XiaoMi-AI文件搜索系统
World File Search System像素值
使用探索和
这项研究的主要目的是利用超声图像分割来提高从其平均像素强度（图像亮度）来确定RAM睾丸实质的化学成分的一致性和准确性。在纵向和横向平面中，用8 MHz线性阵列传感器扫描了从性成熟的Karakul公羊获得的十种睾丸，并将所有超声图作为数字图像保存。使用Kjeldahl方法来确定粗蛋白的量，使用一种烤箱干燥的方法来确定水分含量，并使用干燥样品的肥皂水提取来确定睾丸组织样品的脂肪含量。使用ImageProplus®分析软件（位图）对睾丸实质的数字图像进行标准化，并进行计算机化分析。然后，比较了两种不同的方法，即回声强度（EI）带和算法隔离的像素强度值（位图），以检测睾丸组织的数值像素值和邻近的化学化学成分之间的定量相关性。使用25个或50像素强度带对在纵向（长）和横向（跨）平面中获得的睾丸超声图进行睾丸超声图，我们确定了两个长EI频段（26-50和0-50），其中平均数值像素值（NPV）与脂肪含量和四个型号的npv显着相关，并显着相关。 （51-75、76-100和51-100具有蛋白质含量，以及0-50、51-75和51-100的水分）。For Long images, the accuracy of predicting the fat, moisture and protein content of the testicular parenchyma using r-Algo−identified pixel intensity clusters was 87.43±2.50% (pixels 99-114), 99.54±0.11% (84-89), and 90.66±1.18% (49-55), respectively.对于反式图像，各自的精度值为86.37±1.49％（52-58），99.34±0.13％（54-77）和91.19±2.02％（50-67）。特定像素强度范围的算法检测似乎是一种最佳的像素隔离方法，用于确定一阶声Xteral特性（即NPV，像素异质性和频率分布）和测试的化学成分之间的精确相关性。 我们目前的结果强调了将这种计算机辅助图像分析方法纳入睾丸生物化学/组织生理学变化的超声检查方法的重要性。算法检测似乎是一种最佳的像素隔离方法，用于确定一阶声Xteral特性（即NPV，像素异质性和频率分布）和测试的化学成分之间的精确相关性。我们目前的结果强调了将这种计算机辅助图像分析方法纳入睾丸生物化学/组织生理学变化的超声检查方法的重要性。
通过同轴热成像对定向能量沉积的融化池监测和过程优化
在基于激光的金属粉末的定向能量沉积中，使用优化参数可以使用无缺陷的材料，而与这些优化的参数不同，通常会导致高孔隙率，高稀释度，高稀释度或不同的轨道几何形状。构建复杂的地理网格时的主要挑战之一是沉积的几何和热条件正在不断变化，这需要在生产过程中调整过程参数。为了促进此过程，可以使用诸如热摄像机之类的传感器从过程中提取数据并调整参数以保持过程稳定，尽管外部干扰。在这项研究中，研究了从同轴热摄像机中提取的不同信号并进行了比较以优化过程。为了研究这种可能性，以恒定激光功率沉积了五个重叠的轨道，以提取平均像素值以及熔体池面积，长度，宽度和方向。每个轨道沉积的行为是根据激光功率建模的，这些模型用于计算和测试基于不同信号的激光功率降低策略。结果表明，熔体池面积是用于有效过程控制的最相关的信号，导致稳定过程，仅轨道到轨道的信号变化的±1.6％。
pilamim：通过整合像素和潜在的蒙版图像建模
在蒙版的图像建模（MIM）中，存在两个主要方法：像素MIM和潜在MIM，每个方法分别利用不同的重建目标，原始像素和潜在表示。Pixel Mim倾向于捕获低级视觉细节，例如颜色和纹理，而潜在MIM专注于对象的高级语义。但是，每种方法的这些独特的优势可以导致依赖特定视觉特征的任务中的次优性能。为了解决这一限制，我们提出了Pilamim，这是一个统一的框架，结合了像素MIM和潜在MIM以整合其互补优势。我们的方法使用单个编码器以及两个不同的解码器：一个用于预测像素值，另一种用于潜在表示，可确保捕获高级和低级视觉特征。我们将[Cls]令牌进一步集成到重建过程中，以汇总全局上下文，从而使模型能够捕获更多的语义信息。广泛的实验表明，在大多数情况下，Pilamim优于MAE，I-JEPA和BOOTMAE等关键基线，证明了其在提取更丰富的视觉表示方面的有效性。该代码可在https://github.com/joonmy/pilamim.git上找到。
使用经典方法对 MRI 图像进行脑肿瘤分类...
摘要。脑肿瘤是神经系统疾病中的重要威胁，需要准确分类才能有效诊断和治疗。本研究探索了使用经典局部二值模式 (CLBP) 和卷积神经网络 (CNN) 进行脑肿瘤分类，以及使用经典 LBP 和 HOG（方向梯度直方图）从 MRI 图像中提取纹理特征。这些方法能够熟练地捕捉对肿瘤识别至关重要的局部和全局纹理模式。我们提出的框架包括三个关键步骤：图像预处理、通过 CLBP 进行特征提取和利用 CNN 进行分类。对公开的脑肿瘤数据集的评估显示了令人印象深刻的 95.6% 的肿瘤分类准确率，证实了 CLBP+CNN 方法的有效性。该方法对增强临床诊断和治疗计划具有良好的意义。此外，我们提出了未来的扩展，包括 DLBP 和 LBP 等 CLBP。DLBP 引入了一个参数“D”，表示像素距离，而 LBP 则在指定范围内改变像素值。此外，还利用 ANN、AlDE 和 LDA 分类方法探索了肿瘤分类，未来有望将 MRI 图像中的 DLBP、LBP 和 CLBP 提取纳入数据集
使用联合转换和扩展（CTE）和动态混沌系统
摘要 - 由于其在许多行业中的各种应用，因此iT的突出性正在增长。他们从现实世界中收集信息并通过网络发送。在过去几年中，小型计算设备的数量，例如RFID标签，无线传感器，嵌入式设备和IoT设备的数量已大大增加。预计他们会产生大量敏感数据，以控制和监测。这些设备的安全性至关重要，因为它们处理了宝贵的私人数据。需要加密算法来保护这些精致的设备。设备的性能受到RSA或AES等传统加密密码的阻碍，RSA或AES易于破解。在物联网安全领域中，轻巧的图像加密至关重要。用于图像加密，大多数当前使用的轻量级技术都使用单独的像素值和位置修改。这些方案受其高脆弱性的限制。本文使用合并的转换和扩展（CTE）和动态混乱系统引入了用于医疗物联网设备的轻质密码学（LWC）算法。建议的系统是根据跨熵，UACI和NPCR评估的。通过实验结果证明，建议的系统非常适合医学物联网系统，并且具有很高的加密和解密效率。所提出的系统的特征是其记忆使用率低和简单性。
表型组学方法揭示了对慢性高温的综合发育反应的种间差异
表型组学，即高维生物体表型分析，是一种量化复杂发育对高温反应的解决方案。'能量代理性状'（EPT）通过视频像素值波动来测量表型，即不同时间频率下的能量值谱。尽管它们已被证明可有效测量复杂且动态发育生物的生物学特性，但它们在评估不同物种的环境敏感性方面的效用尚未得到检验。利用 EPT，我们评估了三种淡水蜗牛胚胎的相对热敏感性，这三种蜗牛的发育事件时间存在显著差异。在 20°C 和 25°C 的两个温度下，每小时对 Lymnaea stagnalis、Radix balthica 和 Physella acuta 的胚胎进行视频拍摄，记录它们的胚胎发育过程。视频用于计算它们胚胎发育期间以及发育过程中各个生理窗口内的 EPT。发育过程中能量光谱的变化表明，不同物种之间的热敏感性存在明显差异，表明 R. balthica 胚胎的胚胎生理和行为总体敏感性相对较高，发育窗口特异性热响应反映了可观察生理的个体发育差异，以及温度引起的生理事件时间变化。EPT 可以比较高维光谱表型，为持续评估发育个体的敏感性提供了独特的能力。这种综合性和可扩展的表型分析是更好地了解不同物种早期生命阶段敏感性的先决条件。
使用基于 WFL 的 3D U-Net 对 HGG 和 LGG MRI 图像进行脑肿瘤分割
脑肿瘤的语义分割是医疗治疗计划中的重要阶段。由于肿瘤的特性，图像分割的主要困难之一是类别之间的严重不平衡。此外，类别不平衡的数据集是多模态3D脑MRI中常见的问题。尽管存在这些问题，但大多数脑肿瘤分割研究仍然偏向于过度代表的肿瘤类别（多数类别），而忽略了小规模的肿瘤类别（少数类别）。在本文中，我们提出了一种基于3D U-Net的改进损失函数加权焦点损失（WFL），以增强脑肿瘤分割的预测。使用我们提出的损失函数（WFL）通过给予少数类较高的权重和给予多数类较低的权重来解决类别之间的不平衡和权重之间的不平衡。在将这些权重分配给不同的像素值后，我们的工作能够解决像素退化问题，这是模型训练期间损失函数的局限性之一。根据我们的实验，在脑肿瘤分割挑战赛 (BraTS) 2019 数据集中，针对高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG) 的 3D U-Net 模型上，提出的函数 (WFL) 对肿瘤核心 (TC)、整个肿瘤 (WT) 和增强肿瘤 (ET) 显示出良好的结果，其中 HGG 的平均骰子分数为：0.830、0.913、0.815，LGG 的骰子分数为 TC：0.731、WT：0.775 和 ET：0.685。此外，我们在 BraTS 2020 上部署了训练，获得了平均 Dice 分数 HGG：TC：0.843、WT：0.892、ET：0.871，以及 Dice 分数 LGG：TC、WT 和 ET 分别为 0.7501、0.7985、0.6103。
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
图像隐志
摘要 - 隐身是将秘密信息隐藏在其他媒体中的实践，例如图像，音频，视频和文本。在当今社会中，它变得越来越重要，作为实现私人和安全沟通的一种方式。该研究项目的重点是图像隐志技术，这些技术用于通过统计切解技术来逃避秘密信息的检测。这项研究的目的是比较和评估不同的图像隐志方法，研究其实施复杂性，并提出一个框架以改善当前方法。这项研究将比较不同的地理技术在避免通过stemansysis检测中的效率，并可能导致未来更好的隐身技术的发展。本文重点介绍了空间域中的三种密集志方法：最小显着的位（LSB），像素值差异（PVD）和基于边缘的数据嵌入（EBE）方法。使用这三种方法进行了一个简单的实验来对几个图像进行加密，并研究了使用均方误差（MSE）和峰值噪声比（PSNR）的LSB的失真度量。尽管在实验中认为LSB方法可以接受失真度量结果，但所有方法都会导致文件容量显着差异。这表明需要进一步增强加密的安全性，以便不会轻易发现秘密消息。因此，在本文中，我们在使用PVD加密之前，使用Morse Code，基础64，SHA-245和高级加密标准（AES）提出了一种概念化的增强。关键字 - 隐肌，切解分析，空间域，基于边缘的数据嵌入。
使用UNET变压器神经网络在染色的微观切片上进行定量木材解剖结构
森林在地面碳循环中至关重要，并且对它们对持续气候变化的反应的了解对于确定未来的碳浮动和气候轨迹至关重要。在具有对比季节的区域，树木形成可以分配给日历年的离散年环，从而可以提取有关树木对环境的反应的宝贵信息。木材的解剖结构提供了有关树木对气候的反应和适应的高度分辨信息。定量木材解剖结构有助于通过使用木材微剖面的高分辨率图像在细胞水平上测量木材来检索这些信息。然而，尽管在识别细胞结构方面已经取得了很大的进步，但获得有意义的细胞信息仍然受图像上正确的年度树环界定的阻碍。这是一项耗时的任务，需要经验丰富的操作员手动界定环边界。基于像素值的自动分割的经典方法正在用能够区分结构的新方法代替，即使分界需要高水平的专业知识。尽管已使用神经网络进行木环的分割，但木制的木材图像，但阔叶物种染色的微观切片中细胞模式的复杂性需要自适应模型才能准确地完成此任务。我们在山毛榉核心染色的横截面微隔板图像上使用神经网络提出了自动树环边界划定。基于卷积神经网络的应用我们训练了一个UNETR，一个UNET的联合神经网络和视觉变压器的注意机制，以自动分段年度环边界。考虑到具有手动分割的差异以及数量木材解剖学分析目标的差异以及差异的后果。在大多数情况下（91.8％），自动分割匹配或改进了手动细分，即使将手动细分视为更好的情况，两种类别之间的船只分配率也相似。