XiaoMi-AI文件搜索系统
World File Search System分割
25 优化基于 3D U-Net 的脑肿瘤分割...
虽然神经胶质瘤已成为最常见的癌性脑肿瘤，但通过 3D MRI 进行手动诊断非常耗时，且不同的放射治疗师进行的诊断可能不一致，因此迫切需要自动分割脑肿瘤。最先进的方法采用 FCN 来自动分割 MRI 扫描。特别是 3D U-Net 已经取得了显著的表现，并激发了一系列后续研究。然而，它们巨大的规模和繁重的计算阻碍了它们的实际部署。尽管存在大量关于使用低精度表示压缩 CNN 的文献，但它们要么注重减少存储而没有计算改进，要么导致严重的性能下降。在本文中，我们提出了一种 CNN 训练算法，该算法使用非负整数以及训练过的仿射映射函数来近似权重和激活。此外，我们的方法允许以整数算术方式执行点积运算，并将浮点解码和编码阶段推迟到层的末尾。 BraTS 2018 上的实验结果表明，我们训练过的仿射映射方法在 8 位权重和激活的情况下实现了接近全精度的骰子精度。此外，在使用 4 位和 2 位精度时，我们分别实现了与全精度骰子精度相差 0.005 和 0.01 以内的骰子精度。
年轻人群皮层下结构分割数据库
从 MRI 扫描中分割皮层下结构是许多神经系统诊断中关注的问题。由于这是一项艰巨的任务，机器学习，特别是深度学习 (DL) 方法已被探索。大脑的结构复杂性要求大量高质量的分割数据集，以开发基于 DL 的良好皮层下结构分割解决方案。为此，我们发布了一组 114 个 1.5 特斯拉 T1 MRI 扫描，其中手动描绘了 14 个皮层下结构。数据集中的扫描来自健康的年轻（21-30 岁）受试者（58 名男性和 56 名女性），所有结构均由经验丰富的放射学专家手动描绘。使用该数据集进行了分割实验，结果表明使用深度学习方法可以获得准确的结果。我们的皮层下结构分割数据集印度大脑分割数据集（IBSD）在 https://doi.org/10.5281/zenodo.5656776 上公开提供。
探索整体电化学水分分割活动
电化学分解可用于以适合存储可再生能源的规模产生绿色氢。因此，如果要以所需的规模开发出能量季节性存储，则氢进化反应（HE）和氧气进化反应（OER）的催化剂的选择至关重要。一个关键方面是用更便宜的替代品代替诸如FE，CO，NI和MN的替代品，这是本演讲的重点。在这里，我们证明了实验室合成的纳米材料可以使用的替代方法，这些纳米材料对OER和她有效，许多材料基于目前在非常大规模的材料中，例如；铁矿石包含她和OER所需的许多活跃元素，可以简单地修饰的不锈钢，并从用过的电池材料中回收锰氧化物。i还将讨论双功能电催化剂的概念，并讨论这对整体电化学水分裂以及上述材料的潜在适用性意味着什么，以证明HER和OER活性。关键字：电催化；水分裂；氢产生。致谢澳大利亚研究委员会（ARC）通过ARC Discovery计划和澳大利亚可再生能源机构（Arena）。介绍作者的传记
使用 nnU-Net 分割脑微出血
脑微出血是低信号的、小的、圆形或卵圆形的病变 [1, 2]；在具有梯度回波、T2* 或磁敏感加权 (SWI) 成像的磁共振成像 (MRI) 上可见 [3, 4, 5]。脑微出血的评估主要通过目视检查进行，使用经过验证的评分量表，例如微出血解剖评分量表 (MARS)[6] 或脑观察者微出血量表 (BOMBS)[7]。在过去十年中，在深度学习技术在医学图像分析中兴起之前 [8]，已经开发出用于辅助脑微出血检测的半自动化工具。这些包括基于统一分割 [9]、支持向量机 [10] 或径向对称变换 [11, 12, 13] 的技术。近年来，由于深度学习技术的巨大进步，全自动微出血检测方法的数量大幅增加[14、15、16、17、18]。在本文中，我们探索使用 nnU-Net[19] 作为微出血分割的全自动工具。这种基于深度学习的自配置语义分割方法在许多国际生物医学分割竞赛中表现出色[20]，但尚未应用于脑微出血检测和分割任务。
基于颜色的MRI模态脑肿瘤分割的融合
摘要。大多数尝试提供自动技术以在单个MRI模态上检测和定位磁共振图像（MRI）浓度中可疑的肿瘤。放射科医生通常使用多种MRI模式来进行此类任务。在本文中，我们报告了用于自动检测和分割肿瘤的实验，其中使用经典颜色编码对多种MRI模式进行了编码。我们使用经典的U-NET体系结构研究了2D卷积网络的使用。逐片肿瘤检测的切片MRI分析具有挑战性，因为此任务需要来自3D组织结构的上下文信息。，3D卷积网络的训练非常昂贵。为了克服这一挑战，我们通过投影以最大对比度的3D体积来提取一组2D图像。然后将多种MRI模式组合为独立颜色，以提供颜色编码的2D图像。我们通过实验表明，这比切片训练的性能更好，同时将可训练的参数的数量限制为合理的限制。1
脑部 MRI 图像的半监督分割
虽然神经网络架构的进步已导致语义分割任务最近取得了重大进展，但获取大量标记分割掩码的挑战限制了它在医学图像分析等实际应用中的广泛使用。这导致了一系列专注于半监督分割的新兴工作，其中可以使用大量未标记数据和少量标记数据来训练分割模型。半监督分类的最新研究表明，当有效使用一致性正则化等简单技术时，性能提升可能非常显著。在这项工作中，我们探索了一致性正则化在半监督分割中的有效使用，并表明当我们将一致性损失与选择信息标记图像的鉴别器结合使用时，生成的模型在多个标准基准上的表现明显优于之前的半监督语义分割工作。我们的实现代码可在 https://github.com/samottaghi/brain-segmentation 上找到。
通过循环解码单元分割医学 MRI
编码器-解码器网络在分层特征融合方面表现优异，常用于医学图像分割。然而，特征解码和空间恢复的扩展路径在融合不同层的特征图时没有考虑长期依赖性，并且通用编码器-解码器网络没有充分利用多模态信息来提高网络鲁棒性，尤其是对于医学MRI的分割。在本文中，我们提出了一种称为循环解码单元（RDC）的新型特征融合单元，它利用卷积RNN在解码阶段记忆来自前几层的长期上下文信息。我们还基于RDC提出了一种用于分割多模态医学MRI的编码器-解码器网络，称为卷积循环解码网络（CRDN）。CRDN采用CNN主干对图像特征进行编码，并通过一系列RDC对其进行分层解码以获得最终的高分辨率分数图。在 BrainWeb、MRBrainS 和 HVSMR 数据集上的评估实验表明，RDC 的引入有效地提高了分割精度并减小了模型尺寸，并且提出的 CRDN 对医学 MRI 中的图像噪声和强度非均匀性具有很强的鲁棒性。
焦点-Then-decide：分割辅助加固学习
视觉增强学习（RL）是实现人类智力的有前途的方法。但是，它目前在嘈杂的环境中有效地学习面临挑战。相比之下，人类可以通过应用以前获得的常识来迅速识别到分散注意力的环境中的与任务相关的观察。最近，自然语言处理和计算机视觉中的基础模式取得了巨大的成功，这些模型中的常识可以显着使下游任务培训受益。受这些成就的启发，我们旨在将基础模型的常识不足为视觉RL。我们提出了一种新颖的效果（FTD）框架，使代理可以仅基于与任务相关的对象做出决策。为了实现这一目标，我们引入了一种努力机制，以从基础细分模型返回的对象集中选择与任务相关的对象，仅使用与任务相关的对象进行决策模块的后续培训。此外，我们专门采用了两个通用的自我监督目标来促进这种注意机制的快速学习。基于DeepMind Control Suite和Franka Emika机器人技术的CHALENGING任务的实验结果表明，我们的方法可以快速，准确地在嘈杂的环境中准确指出感兴趣的对象。因此，它对当前的最新算法实现了重大的性能提高。项目页面：https：//www.lamda.nju.edu.edu.cn/chenc/ftd.html代码：https：//github.com/lamda-rl/ftd
探索图像和3D数据分割方法
1。引言语义细分是计算机视觉和机器学习领域中的关键方面，在一系列应用程序中具有实质性的重要性。这个复杂的过程涉及图像或体积数据中单个像素或体素的细致标记，从而促进了指定的视觉上下文中不同对象类的识别[1]。语义分割中固有的方法学上的精确度使计算系统不仅可以识别和分类图像的内容，还可以为每个像素或体素分配语义含义，从而增强对手头视觉信息的整体理解。在诸如自主驾驶[2]，室内导航[2]，环境监测[3]，映射[4]，虚拟现实系统和增强现实系统[5]等应用程序中，对高性能语义分割的需求显着飙升。图像或体积数据中对象的准确描述对于增强这些技术的沉浸式体验和功能至关重要。但是，语义细分领域面临着需要解决的几个挑战，以确保其有效性。这些挑战包括实现准确和实时的分割[6]，处理具有不同复杂性的不同数据集，并适应了二维（2D）和3D上下文。克服这些挑战对于成功地部署了依靠语义细分的尖端应用程序[7]至关重要。本文旨在通过提供针对语义细分的深度学习技术的全面概述来应对这些挑战。它探讨了2D和3D分割之间的区别[8]，讨论了主要数据集及其复杂性，并调查专门用于语义分割的神经网络体系结构。
深层网络，用于自动分割和定量CT
方法：培训数据集是从合作医院（医院A）回顾性收集的3,000张图像，并通过密集的U-NET框架进行了细分。三位经验丰富的放射科医生通过将像素标记为出血区域来确定地面真相。我们利用了骰子和类内相关系数（ICC）来测试地面真相的可靠性。此外，测试数据集由医院A的211张图像（内部测试）和另一家医院（医院B）的86个ICH图像（外部测试）组成。在这项研究中，我们选择了散点图，ICC和Pearson相关系数（PCC），以评估深层框架的性能。此外，为了验证深框架的有效性，我们对深模型和ABC/2方法之间的出血体积估计进行了比较分析。