XiaoMi-AI文件搜索系统
World File Search System像素强度
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。
神经符号人工智能的纲要
在过去的十年半的人工智能和学习中的一半中，一个关键的进步是开发从较低级别的原始输入特征（例如图像像素强度和单词性）[1，2，2，2，3，4，5，6，7]中学习更高级别的方法。这些较高级别表示的关键优势是它们捕获了更少的变量的富裕语义，因此，在其中，我们可以在其中学习统计上有效的模型，用于各种下游任务，例如预测，分类和聚类。近年来的关键进步是学习这些表示形式，而不是使用传统的手工制作的效果，这些效率很难正确，正确地指定。这导致了著名的应用程序，例如Dall-E，Stablediffusion，Chatgpt和Audiolm等。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
高能物理中的双参数量子电路GAN模型
摘要。生成模型，尤其是生成对抗网络（GAN），正在作为蒙特卡洛模拟的可能替代方法。已经提出，在某些情况下，可以使用量子gan（qgans）加速使用gan的模拟。我们提出了QGAN的新设计，即双参数量子电路（PQC）GAN，该设计由一个经典的歧视器和两个采用PQC形式的量子代理组成。第一个PQC在n -pixel图像上学习了一个概率分布，而第二个PQC则为每个PQC输入生成了单个图像的归一化像素强度。为了了解HEP应用程序，我们评估了模仿热量计输出的任务的双PQC体系结构，转化为像素化图像。结果表明，该模型可以复制尺寸降低及其概率分布的固定数量的图像，我们预计它应该使我们可以扩展到实际热量计输出。
使用深度卷积神经网络自动检测局灶性皮质发育不良
局灶性皮质发育不良（FCD）是皮质发育畸形，可能由皮质结构或细胞学异常引起 Kabat 和 Król (2012) 。它是儿童癫痫的首要病因，也是成人癫痫的第三大病因 Lerner 等 (2009) 。磁共振成像（MRI）被广泛用于识别 FCD，因为它可以提供高对比度和分辨率的软组织图像。图 1 显示了三张 T1 加权 MRI 图像（即一张健康图像和两张 FCD 图像）。图 1 (b) 和 (c) 中红色矩形框包围的区域显示了 FCD 的两个典型 MRI 特征：灰质 (GM) -白质 (WM) 边界模糊和皮质增厚。由于 FCD 病变的细微性和脑解剖结构的复杂性，即使对于经验丰富的专家来说，在 MRI 图像上手动识别 FCD 病变也是一项耗时且主观的任务 Rajan et al. (2009) 。在 MRI 图像中，多种组织类型（例如 GM、WM、脑脊液 (CSF)）会影响体素/像素强度，这被称为部分容积效应，
评估双稳态视觉感知中的自愿和非自愿注意力：一项 MEG 研究
我们介绍了一种测量人类注意力的方法，用于在执行视觉任务时测量对双稳态图像的不同解释。向九名健康志愿者展示了具有闪烁面的 Necker 立方体。立方体前后面的像素强度分别由频率为 6.67-Hz (60/9) 和 8.57-Hz (60/7) 的正弦信号调制。这些频率及其二次谐波的标签在从枕叶皮层记录的脑磁图 (MEG) 数据的平均傅里叶光谱中清晰可辨。在实验的第一部分，要求受试者通过将立方体方向解释为左向或右向来自愿控制注意力。因此，我们观察到相应光谱成分的主导地位，并测量了自愿注意力的表现。在实验的第二部分，要求受试者只是观察立方体图像，而无需对其进行任何解释。在第二谐波标记频率处，主要光谱能量的交替被视为立方体方向的变化。基于第一阶段实验的结果，并使用小波分析，我们开发了一种新方法，使我们能够识别当前感知到的立方体方向。最后，我们使用主导时间分布来描述非自愿注意力，并将其与自愿注意力表现和大脑噪音联系起来。特别是，我们已经表明，注意力表现越高，大脑噪音就越强。
多纹理 GAN：探索脑 MR 图像的多尺度纹理转换
摘要 — 众所周知，MRI 数据集中的扫描仪间和协议间差异会导致显著的量化差异。因此，图像到图像或扫描仪到扫描仪的转换是医学图像分析领域的一个重要前沿，具有许多潜在的应用。尽管如此，现有算法中很大一部分无法明确利用和保留目标扫描仪的纹理细节，并且针对专门的任务特定架构提供单独的解决方案。在本文中，我们设计了一种多尺度纹理传输，以丰富重建图像的更多细节。具体而言，在计算纹理相似性后，多尺度纹理可以自适应地将纹理信息从目标图像或参考图像传输到恢复图像。与以前的算法所做的像素级匹配空间不同，我们在神经空间中实现的多尺度方案中匹配纹理特征。匹配机制可以利用多尺度神经传输，鼓励模型从目标或参考图像中掌握更多与语义相关和与病变相关的先验。我们在三个不同的任务上评估了我们的多尺度纹理 GAN，无需任何特定于任务的修改：跨协议超分辨率扩散 MRI、T1-Flair 和 Flair-T2 模态转换。我们的多纹理 GAN 可恢复更高分辨率的结构（即边缘和解剖结构）、纹理（即对比度和像素强度）和病变信息（即肿瘤）。广泛的定量和定性实验表明，我们的方法在跨协议或跨扫描仪转换方面取得了优于最新方法的结果。
开发计算图像处理方法，用于定量分析从HS-AFM（AFMNANOQ）获得的纳米孔结构
摘要。高速原子力显微镜（HS-AFM）可实现具有特殊空间（X-Y平面中1 nm的生物结构的纳米级成像； z方向〜0.1 nm）和时间分辨率（每帧〜20 ms）。hs-afm在二维（2d）的前进中编码三维（3D）信息，其中结构的横向尺寸（x，y）与图像中的空间姿势相对应，而高度（z）信息则嵌入到像素强度中。这种独特的数据结构在分割和形态分析中提出了重大挑战，需要专门的计算方法。为了克服这些局限性，我们开发了“ AFMNANOQ”，这是一个由特征驱动的组合框架，用于分割HS-AFM数据的分割和形态测量。我们的方法独立于标记的培训数据，使数据稀缺性可靠，同时又是为未来深入学习应用程序提供高质量标记的数据集的强大工具。我们使用合成和实验性AFM/HS-AFM DATASET来验证AFMNANOQ，包括对α-蛋白素（αHl）的构象和动力学的半自动分析，一种β-桶孔形成孔（PFT），由葡萄球菌分泌的expaph-ylococcus a ylococcus a a paph-ylococcus a nurus。我们的方法通过深度学习模型实现竞争性能，同时保持各种HS-AFM数据集的卓越适应性。作为未来的观点，我们计划将其进一步开发或将其与深度学习模型相结合，以增强分割性能并从实验性AFM图像中重建3D结构。这将利用本研究中产生的构象文库，从而实现两种甲基化合物之间的交叉验证，并最终在AFM图像分析中弥合特征驱动和数据驱动的AP之间的差距。
边缘检测技术与...的比较研究
MRI 之所以能利用单个原子核的磁性，是因为图像处理现在是医学等许多生活方面的重要阶段。图像处理使用数学运算符来分析和处理数字图片。边缘检测是此过程中的关键阶段。这两组特征都将图片的数据描述为图像处理的输入。当图片出现突然的不连续性时，边缘检测就是识别和检测分隔它们的线的行为（L. Han, Y. 2020）。像素强度不连续性描述了图片中项目之间的边界。边缘检测几乎普遍使用一种运算符（二维滤波器），该运算符对图片中的大梯度敏感，同时在均匀区域返回零值。边缘检测运算符的数量惊人，每个运算符都针对检测某些类型的边缘进行了优化。边缘方向、噪声环境和边缘结构都是选择边缘检测运算符时要考虑的因素。灰度值的不连续性使边缘具有独特的外观。这意味着边缘表示一个项目结束而另一个项目开始的点。许多因素都会影响图像边缘的外观，包括：数字图像的亮度在某些点突然波动，并且对象的几何和光学特征以及边缘识别的数学算法用于识别这些点（或换句话说，具有不连续性）。近年来，研究人员对此产生了关注（R. Bausys，2020 年；M. Ravi Kumar 等人，2020 年；P. Kanchanatripop 和 D. Zhang，2020 年；SKT Hwa，2020 年；S. Bourouis、R. Alroobaea，2020 年；ZH Naji，2020 年；AK Bharodiya 和 AM Gonsai，2019 年；J. Mehena，2019 年）。
纹理分析和人工智能作为诊断多发性硬化症的决策支持工具 - 系统评价
麦当劳标准（Thompson等，2018），MS的诊断结合了临床，成像和实验室证据。神经系统检查与成像[磁共振成像（MRI）或光学相干断层扫描]和神经生理测试（视觉诱发电位）结合使用。在MRI上患有临床症状和病变的患者中，脑脊液通过腰椎穿刺收集。在脑脊液流体中存在寡克隆条带证实了MS的诊断（Thompson等，2018）。磁共振成像技术，例如双重反转恢复，相位敏感的反转恢复和使用梯度回声序列的磁化的快速采集来突出大脑皮层的MS病变。这些区域是由T1，T2或流体衰减反转恢复（Flair）方法获得的MRI图像中存在的高强度白质区域（Hitziger等，2022）。在图1a上，有一个示例MRI T1图像，带有两个病变，这些损伤显示为白质的高强度区域（Sarica和Seker，2022年）。在长轴中至少有3毫米的高强度区域被认为是病变（Thompson等，2018）。监测该疾病的演变，但治疗的效率也通过在年度随访MRI图像上出现或没有新病变来分析（Martínez-Heras等人，2023年）。在MRI图像上对脱髓鞘区域的手动识别和划定（图1B）具有一些缺点，耗时，需要合格的人员。其结果取决于专家解释MRI图像的经验。除了人为因素的主观性外，还可能发生差异，这是由于不同分辨率或具有各种质量的MRI图像而发生的。为了减少这些缺点，已经提出了几种用于诊断和监测MS的自动解决方案（Shoeibi等，2021）。通过在深度学习算法中使用神经网络与纹理分析相结合（Componick等，2021a），获得了与专家注释相当的结果。纹理分析是医学图像处理中的一种已知且有前途的技术，可在检测硬化病变方面具有显着的结果（Elahi等，2020； Boca等，2023）。通常，尝试通过那些特征来检测病变，这些特征是强度，照明，几何变换或噪声变化的图像不变的。为此，量化了像素强度和像素分布的相互关系，因此获得了许多特征。这些功能可以分为以下类别：第一阶特征（灰度直方图分析），二阶特征（灰度依赖矩阵），光谱特征和分形特征（小波变换和傅立叶变换）。用随机纹理识别的像素被归类为噪声（Friconnet，2021）。为了提高信号噪声比并降低噪声，将包括数学过滤组成的预处理操作应用于MRI图像。为例，高斯带通滤波器用于消除背景噪声（Kumar等，2023）。放射线学的方法由于出现了用于检测医学图像病变的自动方法（Lambin等，2012），因此有必要开发一种方法来通过自动检测方法来分析和评估结果的可重复性和质量。放射素学已逐渐应用于病理损害，诊断，差异诊断和MS预后的分析。开发了使用放射线特征的机器学习（ML）模型来检测MS病变（Peng等，2021）。