XiaoMi-AI文件搜索系统
World File Search System切片
水凝胶包裹的精密切割肺切片支持体内诱导的肺部病变的体内培养
由其超微结构Daniel Scholl 1，Tumara Boyd 1，Andrew P. Latham，2,3,4，Alexandra Salazar 1，Asma Khan 1,5 Steven Boeynaems 6,7,8,9,10，Alex S. Holehouse 11,12 Keren Lasker 1*隶属关系：1综合结构与计算生物学系，Scripps研究所，加利福尼亚州拉霍拉，92037，美国2定量生物科学研究所，加利福尼亚大学，旧金山大学，旧金山，旧金山，旧金山，CA 94158，美国。3加利福尼亚大学旧金山，旧金山，加利福尼亚州94158的加利福尼亚大学生物工程和治疗科学系。4加州大学旧金山分校，旧金山，旧金山，CA 94158，美国5美国德克萨斯州休斯敦市，德克萨斯州儿童医院，美国87030，美国8治疗创新中心（THINC），贝勒医学院，美国德克萨斯州休斯敦市贝勒医学院，美国977030，美国9阿尔茨海默氏症和神经退行性疾病中心和神经退行性疾病（CARD），德克萨斯州儿童医院，德克萨斯州休斯顿，美国107030年，美国10 Dan Luncn cancer cancer intimes美国117030，美国11日，美国11个生物化学和分子生物物理系，华盛顿大学医学院，圣路易斯，密苏里州圣路易斯，12个生物分子冷凝物中心（CBC），华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯 *通信 *通讯：dopark@scripps.edu
使用间接太阳能烘干机对香蕉切片的干燥参数进行预后分析的高级机器学习开发
在这项研究中，使用了极端梯度提升（XGBoost）和光梯度提升（LightGBM）al-gorithms用间接太阳能干燥机的香蕉切片的干燥特性进行模型。建立了自变量（温度，水分，产品类型，水流量和产品质量）与因变量（能源消耗和降低）之间的关系。用于耗能，XGBoost在训练过程中以0.9957的r 2为0.9957，在测试过程中表现出优异的表现，在训练期间的最小MSE为0.0034，在训练期间为0.0008，在测试阶段表明高预测性获得率和低错误率。相反，LGBM显示较低的R 2值（0.9061训练，0.8809测试）和较高的MSE在训练过程中的MSE为0.0747，在测试过程中0.0337显示了0.0337，反映了较差的表现。同样，对于收缩预测，XGBOOST优于LGBM，较高的R 2（0.9887训练，0.9975测试）和较低的MSE（0.2527培训，0.4878测试）证明了LGBM。统计数据表明，XGBoost定期胜过LightGBM。基于游戏理论的Shapley功能表明，温度和产品类型是能源消耗模型的最具影响力的特征。这些发现说明了XGBoost和LightGBM模型在食品干燥操作中的实际适用性，以优化干燥调节，提高产品质量并降低能耗。
用深神经网络在MRI上对胎儿大脑的自动线性测量
在胎儿脑MRI的常规临床评估中使用的三个关键生物识别线性测量值是脑双发直径（CBD），骨双发性直径（BBD）和跨小脑直径（TCD）。这些措施是根据既定指南[3,4]手动对临床医生进行的单独MRI参考切片进行的，这与基于US的基于US的测量指南不同，指定了如何建立扫描成像平面，如何在每个测量中选择此卷中的参考切片，以及如何识别两个解剖学测量值以识别线性测量值。CBD和BBD测量值是在同一切片上进行的，并垂直于中间线（MSL）绘制。通过在胎儿脑小脑轮廓上选择两个抗斑点地标点，在不同的参考切片上测量TCD，从而给出小脑的直径。
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2
使用高清晰的空间分析
图1。使用visium HD对CRC和NAT样品进行分析。串行组织切片。选择了样品子集并用visium HD测定法（n = 3 CRC和n = 2 Nat）进行分析。切片。串行切片，并通过v2分析（n = 1 CRC和n = 2 Nat）进行测定。单细胞数据用于创建用于单元类型注释的参考数据集。原位数据用于验证visium HD数据和后续分析的发现。使用匹配数据集的数据进行了技术性能比较。
用于高质量脑成像的计算高效的 CNN 系统......
(a) (b) 图 4. (a) 无肿瘤的 Flair 切片示例。上半部分和下半部分的 SSIM 值为 0.308。 (b) 有肿瘤的 Flair 切片示例。上半部分和下半部分的图案不相互镜像。其 SSIM 值为 0.174。
合成大脑图像
Kingdom A BSTRACT 磁共振成像 (MRI) 是获取精确解剖信息的重要方式，它在诊断和治疗计划的医学成像中起着重要作用。近年来，由于深度学习技术（特别是生成对抗网络 (GAN)）的引入，图像合成问题发生了革命性的变化。这项工作研究了深度卷积生成对抗网络 (DCGAN) 在生成高保真和逼真的 MRI 图像切片方面的应用。建议的方法使用具有各种脑部 MRI 扫描的数据集来训练 DCGAN 架构。当鉴别器网络辨别创建的切片和真实的切片时，生成器网络会学习合成逼真的 MRI 图像切片。生成器通过对抗性训练方法改进了其生成与真实 MRI 数据非常相似的切片的能力。结果表明，DCGAN 有望在医学成像研究中实现多种用途，因为它们表明，如果我们对它们进行连续多次训练，它可以有效地生成 MRI 图像切片。这项工作增加了深度学习技术在医学图像合成中的应用研究范围。可以生成的切片具有增强数据集的能力，可以在深度学习模型的训练中提供数据增强，并且提供了许多功能以使 MRI 数据清理更容易，并且提供了三个随时可用且干净的数据集，可用于主要解剖计划。关键词 磁共振成像、生成对抗网络、深度卷积生成对抗网络、Nifty、OpenNeuro 1。介绍 该项目探索使用深度卷积生成对抗网络生成逼真的 MRI 图像切片。所提出的方法使用干净且准备好的矢状脑 MRI 扫描数据集训练 DCGAN 架构。生成器网络学习合成逼真的 MRI 图像，而鉴别器网络区分制造的和真实的图像。通过对抗性训练策略，生成器提高了其生成与真实 MRI 数据紧密匹配的切片的能力。这项工作为使用深度学习方法进行合成医学成像的研究做出了贡献。提出的研究目标如下：
使用多模态 MRI 扫描对多视图 CNN 模型进行集成学习以预测脑肿瘤患者的生存时间
本研究提出的方法的一个关键思想是将 3D MRI 扫描转换为轴向、冠状面和矢状面的 2D 堆叠切片。因此，对于每个患者，都会从第 2.1 节中定义的四种 MRI 模式生成 12 个 2D 堆叠 MRI 切片。此后，我们将这 12 个 2D 堆叠切片分别表示为 FLAIR MRI 模式的轴向、冠状面和矢状面投影的 FLAIR-轴向、FLAIR-冠状面和 FLAIR-矢状面。同样，T1、T1CE 和 T2 模式的轴向、冠状面和矢状面视图分别表示为 T1-轴向、T1-冠状面和 T1-矢状面、T1CE-轴向、T1CE-冠状面和 T1CE-矢状面以及 T2-轴向、T2-冠状面和 T2-矢状面。为避免处理背景和管理 GPU 内存限制，我们排除了每张 MRI 扫描中不包含任何脑组织的一些开始和结束切片。每张切片的强度像素也在 0 到 255 的范围内重新缩放，转换为 PNG 格式，并归一化为零均值和单位方差。MRI 扫描的 3D 到 2D 重建使每张 2D 轴向、冠状面和矢状面投影图像的形状大小分别为 240 × 240、155 × 240 和 155 × 240 像素。这些投影图像