XiaoMi-AI文件搜索系统
World File Search System关节点
强制力导向放置：一种用于大图可视化的新算法
摘要 – 图形可视化是一种帮助用户基于人类感知轻松理解连接数据（社交网络、语义网络等）的技术。随着大数据的盛行，这些图形往往太大，无法仅凭用户的视觉能力进行解读。导致此问题的主要原因之一是节点离开可视化空间。人们已经进行了许多尝试来优化大型图形可视化，但它们都有局限性。在这些尝试中，最著名的是力导向放置算法。该算法可以为中小型图形提供漂亮的可视化效果，但当涉及到较大的图形时，它无法将一些独立节点甚至子图保留在可视化空间内。在本文中，我们提出了一种名为“强制力导向放置”的算法。该算法通过提出更强大的力函数来增强经典的力导向放置算法。我们将其命名为“FForce”，它可以在达到平衡位置之前将相关节点拉近彼此。这帮助我们获得了更多的显示空间，并使我们能够可视化更大的图形。
Physgnn：一种基于物理驱动的图形神经网络模型，用于预测图像指导神经外科手术中的软组织变形
正确捕获图像引导的神经外科术中的术中大脑移位是将术前数据与术中几何形状对准数据的关键任务，以确保准确的手术导航。虽然有限元方法（FEM）是一种经过验证的技术，可以通过生物力学制剂有效地近似软组织变形，但其成功程度归结为准确性和速度之间的权衡。为了解决这个问题，该领域中的最新作品提出了通过培训各种机器学习算法获得的数据驱动模型（例如，随机森林，人工神经网络（ANN）），并通过有限元分析（FEA）的结果来加快预测的速度。但是，这些方法在训练过程中没有说明有限元（Fe）网格的结构，以提供有关节点连接性的信息以及它们之间的距离，这可以帮助基于与其他网状节点的强力负载点的接近近似组织变形。因此，这项工作提出了一个新颖的框架Physgnn，该模型是通过利用图形神经网络（GNN）来近似于FEM解决方案的模型，该模型能够考虑到网格结构信息，并在未结构化的网格和复杂的拓扑结构上考虑网格结构信息和归纳性学习。从经验上讲，我们证明了所提出的体系结构有望准确且快速的软组织变形近似，并且与最新的ART（SOTA）算法具有竞争力，同时有望增强计算可行性，因此适用于神经外科设置。