XiaoMi-AI文件搜索系统
World File Search System分割
使用卷积神经网络进行脑肿瘤分割
2018 年脑肿瘤分割 (BraTS) 挑战赛中的 MR 图像数据集包含 285 张胶质瘤患者图像，用于训练 Mask R-CNN 模型。Mask R-CNN 架构通过最小化多方面目标函数来为图像内的每个感兴趣区域派生掩码、边界框和标签。我们使用 90% 的 BraTS 数据进行网络训练，5% 用于验证，5% 用于测试。由于训练 Mask R-CNN 模型的计算要求很高，因此使用罗文大学的高性能计算机 (HPC) 进行大部分实验。该模型使用 4 个 NVIDIA Tesla K20m GPU 进行训练，并采用多线程技术来加速将数据加载到内存中的过程。
使用 K 增强脑肿瘤 MRI 分割
简介：医学图像分割通常是医学图像分析中的关键步骤，常与众多临床应用相关。磁共振成像（MRI）提供了对干预和手术计划具有决定性作用的各种解剖结构的详细可视化。目的：本文的目的是设计和应用一种增强型脑肿瘤 MRI 分割方法，使用 K 均值作为基于机器学习的粒子群优化（PSO）和萤火虫算法（FA）。方法：引入了一种基于速度变化的 Swarm Based PSO 的新型适应度函数，增强了分割区域。通过将 PSO 应用于分割部分，可以增强传统的 k 均值算法。应用群体智能的另一个扩展 Firefly 来比较基于 PSO 的分割结果，并使用基于 Firefly 的分割。结果：模拟结果以精度（98%）、召回率（0.95）、f 值（0.96）、准确率（97%）和分割时间（2.63s）来评估，以衡量图像分割获得的主要结果的质量。结论：比较研究表明，提出的使用 k-means 结合 FA 的设计在检测脑肿瘤 RoI 方面表现出较高的准确率和精确度。
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。
在公共部门的微分割旅程中的经验
Michael Starnberger-维也纳Nico Oppelt市系统建筑师 - 慕尼黑市Dirk Stoeckmann市IT网络管理员 - 解决方案工程师Cisco Security CSSSSEC -1810
<东埃塞俄比亚克尔萨的可分割疾病
世界卫生组织（WHO）建议所有儿童至少对六种常见的疫苗预防疾病进行免疫，即结核病（一种剂量），白喉（三剂）（三剂），百日咳（三剂）（三剂）（三剂），四剂量（三剂），脊髓灰质炎（四剂），脊髓灰质炎（四剂），和脊髓灰质合酶（四剂），和脊髓灰质合在2019年，他的免疫扩展计划（EPI）还包括肝炎B，嗜血杆菌B（HIB），肺炎球菌缀合物疫苗（PCV-13）和单价人的轮状病毒疫苗（RV1）（RV1）（3）。当孩子收到谁推荐的所有疫苗时，根据埃塞俄比亚EPI的疫苗接种，所有这些孩子都对降低婴儿和儿童死亡率至关重要（4）。超过35％的人民国家（包括埃塞俄比亚）正在努力实现90％的覆盖范围目标，以实现三剂，破伤风和含百日咳疫苗的第三次剂量的目标（5）。
使用分割形状合并方法重建建筑物
梁 M.K.和杨，Y.H. （1990_. 曲线拟合中的动态条带算法。计算机视觉、图形和图像处理，51：146-165。Overby，J.，Bodum，L.，Kjems，E.和Iisoe，P.M.（2004）。自动3D建筑物重建使用霍夫变换从机载激光扫描和地籍数据中重建。国际摄影测量、遥感和空间信息科学档案，35(B3)：296-301。Peternell, M. 和 Steiner, T. (2004)。分段平面物体的重建从点云重建建筑物模型。计算机辅助设计。36:333-342。Rau, J.Y. 和 Chen, L.C. (2003)。从三维线段重建建筑物模型。摄影测量工程与遥感，69(2):181-188 . Schealbe，E. (2004)。通过特定正交投影中的直线检测从机载激光扫描仪数据生成 3D 建筑物模型。国际摄影测量、遥感和空间信息科学档案，XXXV(B3):249-254。Schroder，F. 和 Robbach，P . (1994). 管理数字地形模型的复杂性。计算机与图形学，18:775-783。Sugihara, K. 和 Hayashi, Y. (2003). 通过集成半自动生成 3-D 建筑模型CG 和 GIS。国际地球科学和遥感研讨会，6:919-3921。Vosselman, G. 和 Dijkman, S. (2001)。从点云和平面图重建 3D 建筑模型。国际摄影测量、遥感和空间档案信息科学,34(3/W4):37-43。
使用模糊 Otsu 阈值进行脑肿瘤分割...
摘要 —本文提出了一种通过模糊 Otsu 阈值形态 (FOTM) 算法分割脑肿瘤的方法。由于脑肿瘤的增加，获取的磁共振成像 (MRI) 数量也相应增加。因此，能够自动分割和检测脑肿瘤的高精度算法将对治疗计划和诊断具有潜在的潜力。为了解决这个问题，提出了一种利用 FOTM 算法从最不对称的部分分割脑肿瘤的新方法。此外，使用颜色归一化、噪声消除和强度偏差校正作为预处理阶段，虽然这在 FOTM 算法中并不常见，但与数据分割一起证明对于 MRI 图像中脑肿瘤的分割非常成功。结果清楚地表明，图像神经胶质瘤、图像脑膜瘤和图像垂体的平均准确度指数分别为 93.77%、94.32% 和 94.37%。索引术语——脑肿瘤、分割、FuzzyOtsu 阈值、形态学。
治疗前 MRI 上的脑转移瘤分割
Sanjay Aneja 15, Syed Muhammad Anwar 16, Timothy Bergquist 17, Veronica Chiang 18, Verena Chung 13, Gian Marco Conte 17, Farouk Dako 19, James Eddy 13, Ivan Ezhov 20, Nastaran Khalili 21, Keyvan Farahani 22, Juan Eugenio Iglesias 23, Zhifan Jiang 24, Elaine Johanson 25, Anahita Fathi Kazerooni 21,26,27, Florian Kofler 28, Kiril Krantchev 2,,,, Dominic LaBella 29, Koen Van Leemput 30、α Hongwei Bran Li 23、α Marius George Linguraru 16,31、α Xinyang Liu 24、α Zeke Meier 32、α Bjoern H Menze 33、α Harrison Moy 2、α、β、ϵ Klara Osenberg 2、α、β Marie Piraud 34、α Zachary Reitman 29、α Russell Takeshi Shinohara 35、α Chunhao Wang 29、α Benedikt Wiestler 28、α Walter Wiggins 36、α Umber Shafique 37、α、η Klara Willms 2、β
对点云城市环境分割和 3D 建模的贡献
前言 本论文总结了我来到斯特拉斯堡国立应用科学学院以来二十年的研究成果。它由两部分组成：第一部分概述了我在每个研究领域所取得的进展；第二部分总结了我过去和现在的教学、研究和行政活动。我的研究重点是通过点云对城市物体进行 3D 建模的特定主题。通过评估根据遗产地获取的数据开发的算法的质量，我们希望为公众相对较少了解的地形专业的推广做出贡献，同时突出建筑、城市和景观遗产我们的领土。论文的第一部分以某种方式强调了地形在从点云到 3D 模型的路径上的重要性。为这项工作做出贡献的众多研究结束项目证明，我们的研究与我们内部提供的培训自然相关，同时丰富了仪器和方法、激光测量、摄影测量、网络补偿、启动研究或甚至产生新的流程，例如最近启动的 BIM（建筑信息模型）流程。回忆录的第二部分见证了这一点。最后，我贡献的多学科主题让我有机会与来自不同专业的专家合作，除了地形学领域的专家，例如考古学、建筑学、地理学、气候学、法律、土木工程、传播学、力学、数学、计算机科学、历史，而且这个列表只会不断增长。围绕这些职业的多样性及其具体问题激发了我的求知欲，并自然地丰富了我的研究，但在所有这些经历中，我首先会记住他们将引起的宝贵的人类遭遇。
用于脑肿瘤分割的无监督黑盒模型域自适应
无监督域自适应 (UDA) 是一种新兴技术，它能够将从标记源域中学到的领域知识转移到未标记的目标域中，从而提供一种应对新域中标记困难的方法。大多数先前的工作都依赖于源域和目标域数据进行自适应。然而，由于担心患者数据中包含的敏感信息可能泄露，因此在跨中心协作中共享源域中的数据和标签以及训练的模型参数通常具有挑战性。为了解决这个问题，我们提出了一个实用的 UDA 框架，该框架具有仅在源域中训练的黑盒分割模型，而不依赖于源数据或可访问网络参数的白盒源模型。特别是，我们提出了一种知识蒸馏方案来逐步学习特定于目标的表示。此外，我们通过无监督熵最小化来规范目标域中标签的置信度，从而比没有熵最小化的 UDA 获得性能提升。我们在一些数据集和深度学习主干上对我们的框架进行了广泛的验证，证明了我们的框架在具有挑战性但又现实的临床环境中应用的潜力。