XiaoMi-AI文件搜索系统
World File Search System分割
结合简单的交互性和机器学习：一种可分离的深度学习方法，用于 MRI 中的丘脑底核定位和分割，用于深部脑刺激手术规划
结合了影像学和症状学信息。1 由于确定适当电极轨迹的复杂性，必须从术前图像中准确分割出感兴趣的解剖结构。对于 DBS 术前规划，分割主要通过将患者图像配准到图谱空间中来确定，在该图谱空间中，感兴趣的解剖结构（通常是丘脑底核 (STN)）以及其他显著区域已经预先分割。2、3 使用预先分割的图谱有几个优点。从临床角度来看，可以将大量分割区域从图谱移植到患者空间，从而简化工作流程的计算方面。从研究角度来看，使用图谱，可以将患者图像中特定于患者的信息移植回通用图谱坐标系，从而可以辨别出人群信息，这有助于指导治疗。4
对比后 MRI 上原发性脑淋巴瘤自动分割的边界不规则损失
与其他脑肿瘤不同，关于原发性中枢神经系统 (CNS) 淋巴瘤的自动分割研究很少。这是一项具有挑战性的任务，因为肿瘤及其边界的模式高度多变。在这项工作中，我们提出了一种新的损失函数来控制边界不规则性，用于基于深度学习的原发性 CNS 淋巴瘤自动分割。我们引入了一种边界不规则损失，它基于分割和平滑版本的比较。边界不规则损失与之前提出的拓扑损失相结合，以更好地控制不同的连通分量。该方法是通用的，可以用于任何分割网络。我们研究了 99 名原发性 CNS 淋巴瘤患者。从一开始就分离出 40 名患者并形成独立测试集。分割是在对比后 T1 加权 MRI 上进行的。MRI 是在临床常规中获得的，并且高度异质。所提出的方法在各种评估指标上的表现都大大优于基线（Dice 分数高出 6 个百分点，Hausdorff 距离高出 40 毫米，平均表面距离高出 6 毫米）。然而，总体表现一般，突显出自动分割原发性中枢神经系统淋巴瘤是一项艰巨的任务，尤其是在处理临床常规 MRI 时。代码可在此处公开获取：https://github.com/rosanajurdi/LymphSeg 。
基于图像分割的草坪割草机器人的边界识别
准确地识别草坪边界是草坪割草机器人的可行操作的基础。当前的草坪边界识别方法依赖于预埋的电缆或通过RTK-GPS定位技术绘制边界。两种方法都容易受到定位错误和环境变化的影响。实时识别基于图像的草坪边界的实时识别可以在路径计划和对草坪割草机器人的边界识别之间形成实时闭环，从而提高了机器人工作的鲁棒性和可靠性。U-NET网络是一个简单的图像分割模型，适用于具有有限计算资源的机器人。但是，草坪的二元分割的结果通常是开放的边界线，这与医学图像中U-NET模型的某些多闭合单元的结果不同。因此，很难将U-NET模型直接应用于准确的草坪分割。考虑到草坪图像的特征和有限的计算资源，本文引入了具有通道空间注意机制和变化的损耗函数的改进的U-NET模型，这更好地解决了草坪边界识别的问题。改进模型的MDICE值为97.7％，比原始U-NET模型高约2％。
使用深度学习模型实现肿瘤分割结果的可重复性
在过去的几年中，人们越来越意识到许多科学领域的可重复性问题。在这项工作中，我们的目标是评估当 MRI 图像经过 (i) 使用相同预处理流程的两个不同版本，以及 (ii) 引入模拟在不同环境下执行的数值扰动进行预处理时，深度分割模型产生的肿瘤分割结果的可重复性。结果表明，这两个变异源可能导致分割结果发生重要变化：Dice 可以低至 0.59，而豪斯多夫距离可以高达 84.75。此外，两种情况都显示出相似的值范围，这表明不稳定性的根本原因可能是数值稳定性。这项工作可以作为提高流程数值稳定性的基准。
通过超分辨率和最大集团生成优化实例分割
摘要。监视系统的兴起导致收集的数据呈指数增长，从而在深度学习方面有了一些进步来利用它们并自动化自治系统的任务。车辆检测是智能车辆系统和智能运输系统领域的关键任务，使得控制交通密度或检测事故和潜在风险是可能的。本文提出了一个最佳的元方法，可以应用于任何即时分割模型，例如蒙版R- CNN或yolact ++。使用这些模型和超分辨率获得的初始检测，进行了优化的重新指导，允许检测未鉴定的元素并提高其余检测的质量。超分辨率的直接应用是有限的，因为实例分割模型根据固定维度处理图像。因此，如果超过超过该固定尺寸的尺寸，该模型将再次重新汇总，从而失去所需效果。这种元方法的优点主要在于不需要修改模型体系结构或重新培训它。无论给出的输入的图像的大小如何，都将生成符合对象分割模型定义维度的超级分辨区域。应用我们的建议后，实验显示了CityScapes数据集Jena序列中使用的Yolact ++模型的提高高达8.1％。
用于感知白平衡的分割四元数
本研究的主要目的是描述一种通过分裂四元数实现的新型白平衡算法。该算法的独特之处在于，它与最近开发的色彩感知数学模型 [9, 7] 相一致。该模型提供了一种替代 CIE（国际照明委员会）的色彩描述方法，即通过比色空间中的三个坐标（例如 RGB、HSV、CIELab 等）描述色彩。它还强调了这样一个事实：感知色彩应被描述为（感知）测量过程的结果。测量方程是所提算法的基石，它使用量子信息工具并表达所谓的 L¨uders 运算的结果。对这种关于色彩感知的新范式的完整数学描述超出了本文的范围。为了保持自洽，本模型的基本概念将在第 2 部分回顾，对更多细节感兴趣的读者可以参阅以下论文 [9, 7, 4, 6, 8, 5]。我们认为值得一提的是，本模型能够：内在地调和三色视觉与赫林对立 [4, 6]；形式化牛顿色盘 [4]；单独提出希尔伯特-克莱因双曲度量作为自然的感知色距 [5]；解决将无限感知色锥限制为感知色凸有限体积立体这一长期存在的问题 [4, 9]；预测色对立的不确定性关系 [8]，并给出感知色感知属性的连贯数学定义 [7]。正如我们将在第 2 节中更详细地强调的那样，颜色测量方程发生在代数 H (2 , R ) 中，该代数由 2 × 2 对称矩阵组成，具有实数项。为了获得有意义的
校正：基于带注释的像素和点云的弱监督语义分割
在此处给出了完整的确认部分：致谢：这项工作得到了中国国家自然科学基金会（No.62227801和No.UME20B2062，No.62376024）的支持，以及中国国家关键研究与发展计划（20222ZD0117900）。
使用 4D 雷达张量进行自动标记和语义分割
雷达在恶劣天气下的稳健性和提供动态信息的能力使其成为高级驾驶辅助系统 (ADAS) 中摄像头和激光雷达的宝贵补充 [1]。尽管用于 RGB 图像和激光雷达点云 (PC) 的语义分割深度学习方法已经很成熟，但它们在雷达中的应用仍未得到充分探索，尤其是包含额外海拔信息的 4D 雷达数据 [2] [3] [4] [5]。本文通过提出一种直接在距离-方位角-海拔-多普勒 (RAED) 张量上执行语义分割的方法来解决这一研究空白。此外，还引入了一种新颖的自动标记流程来在 RaDelft 数据集中生成逐点多类标签，从而实现使用雷达数据的联合检测和分类。
19 例脑转移瘤二次复发后采用螺旋断层放疗为基础的大分割立体定向放射治疗进行再放疗
约 40% 的肺癌病例在治疗过程中出现脑转移 (BM) (1)。此外，患有 BM 的肺腺鳞癌 (ASC) 患者的中位生存期仅为 4 个月 (2)。随着放射技术的进步，毒性逐渐降低，用于预防和治疗 BM 的放射治疗持续受到关注 (3)。立体定向放射治疗 (SRT) 在过去的半个世纪中取得了进展，其观点逐渐转变，挑战了 BM 的常规全脑放射治疗 (WBRT) 实践 (4)。SRT 包括常规单次分割立体定向放射外科 (SF-SRS) 和低分割立体定向放射治疗 (HSRT) (5)。重复 SRT 可确保较高的局部控制 (LC) 率，尽管存在放射性坏死 (RN) (6) 的风险，这种风险通常是继发于神经认知缺陷和降低
MSSEG-2 挑战赛论文集：使用数据管理和处理基础设施进行多发性硬化症新病变分割挑战赛
（法国多发性硬化症注册中心，旨在为研究目的收集法国多发性硬化症患者群体的影像数据、临床数据和生物样本）和 FLI 2（法国生命成像，致力于建立一个国家分布式电子基础设施来管理和处理医学影像数据）。这些共同努力旨在自动分割 MS 患者的 MRI 扫描，以帮助临床医生进行日常工作。该挑战赛于 2021 年 9 月 23 日在 MICCAI 2021 会议上举行。更具体地说，本次挑战赛要解决的问题如下。传统 MRI 广泛用于疾病诊断、患者随访、治疗监测，更广泛地用于了解 MS 的自然史。越来越多的文献对通过比较一个时间点与另一个时间点来在 T2/FLAIR 上描绘新的 MS 病变感兴趣。这种标记物比病变的总数量和体积更为重要，因为新病变的积累可以让临床医生了解某种抗炎 DMD（疾病改良药物）是否对患者有效。药物疗效的唯一指标确实是中枢神经系统内没有新的 T2 病变。但是，手动执行新病变计数是一项非常复杂且耗时的任务。因此，自动检测这些新病变将成为评估患者疾病活动性的一大进步。基于第一次 MSSEG 挑战赛的成功，我们组织了一次由 MICCAI 赞助的在线挑战赛，这次的主题是新的 MS 病变检测 3。这次挑战赛使我们能够 1）估计 2016 年至 2021 年期间取得的进展，2）扩大患者数量，以及 3）关注新病变这一关键临床标记物。我们对一个大型数据库（100 名患者，每人有两个时间点）执行了评估任务，该数据库是从 OFSEP 队列汇编而成，其中包含来自不同中心和扫描仪的 3D FLAIR 图像。与之前的挑战一样，我们在专用平台 (FLI-IAM) 上进行了评估，以自动化评估并消除挑战者看到进行评估的图像而产生的潜在偏见。