XiaoMi-AI文件搜索系统
World File Search System加权
从 T1 加权到 T2 加权的迁移学习……
摘要 磁共振 (MR) 成像是一种广泛使用的医学成像技术，可生成人体的详细解剖图像。MR 图像的分割在医学图像分析中起着至关重要的作用，因为它可以对各种疾病和状况进行准确的诊断、治疗计划和监测。由于缺乏足够的医学图像，实现精确的分割具有挑战性，尤其是在应用深度学习网络的情况下。这项工作的目的是研究从 T1 加权 (T1-w) 到 T2 加权 (T2-w) MR 序列的迁移学习，以最少的计算资源增强骨骼分割。利用基于激励的卷积神经网络，提出了四种迁移学习机制：无微调的迁移学习、开放微调、保守微调和混合迁移学习。此外，提出了一种使用 T2-w MR 作为基于强度的增强技术的多参数分割模型。这项研究的创新之处在于混合迁移学习方法，该方法克服了过度拟合问题，并以最少的计算时间和资源保留了两种模态的特征。使用 14 张临床 3D 脑 MR 和 CT 图像评估分割结果。结果表明，混合迁移学习在骨分割方面在性能和计算时间方面更胜一筹，DSC 为 0.5393 0.0007。虽然基于 T2-w 的增强对 T1-w MR 分割的性能没有显著影响，但它有助于改进 T2-w MR 分割并开发多序列分割模型。
使用加权单元格 -
单细胞RNA测序（SCRNA-SEQ）已成为理解细胞异质性的强大工具，在分子调节分析中提供了前所未有的分辨率。现有的细胞类型注释的监督学习方法主要利用SCRNA-SEQ数据中的基因表达式。尽管某些方法包含了基因相互作用网络信息，但它们无法使用细胞特异性基因关联网络。此限制忽略了单个细胞内的独特基因相互作用模式，可能会损害细胞类型分类的准确性。我们介绍了WCSGNET，这是一种基于图神经网络的算法，用于自动细胞类型注释，利用加权细胞特异性网络（WCSN）。这些网络是基于高度可变基因构建的，并固有地捕获基因表达模式和基因关联网络结构特征。广泛的实验验证表明，WCSGNET始终达到卓越的细胞类型分类性能，在最佳的方法中排名，同时保持各种数据集的稳健稳定性。值得注意的是，WCSGNET在处理不平衡数据集方面具有明显的优势，在这些挑战性的情况下表现优于现有方法。复制这项工作的所有数据集和代码都存放在GitHub存储库中（https://github.com/yi-elen/wcsgnet）。
yolov8加权盒子融合
这项研究调查了通过将加权盒融合（WBF）整合在KERAS CV框架中，从而提高了Yolov8对象检测性能的潜力。Yolov8由于其速度，准确性和现实世界中的良好声誉而被选择。KERAS CV：简化WBF实施这项工作的关键方面涉及利用KERAS CV库。这个用户友好的框架有助于开发自定义的WBF层，无缝集成到Yolov8架构中。该创新层通过基于置信度得分策略性地组合边界框，在完善对象检测结果中起着至关重要的作用。Python：开发基础Python是该项目的主要编程语言。其广泛的计算机视觉库生态系统为数据操作和模型开发提供了重要的工具。开发和评估过程是在配备GPU的工作站上进行的。此设置确保了有效的处理和实验。但是，该方法可以适应利用基于云的资源来用于大规模培训和部署方案。评估WBF严格评估WBF整合有效性的影响，采用了全面的评估策略。这种策略涉及利用可可公开可用数据集的组合，并可能由针对特定对象的感兴趣类别定制的自定义数据集补充。标准对象检测指标（例如平均平均精度（MAP））用于量化模型的性能。评估的关键方面涉及将WBF增强的Yolov8模型与没有WBF的基线Yolov8模型进行比较。
基于功能的注意力加权并重新...
视觉注意力作为一种自适应机制而演变，使我们能够应对迅速变化的环境。它可以促进相关信息的促进处理，通常会自动自动并受隐性动机的控制。然而，尽管了解意识和视觉注意力之间的关系最近取得了进步，但无意识的注意力控制的功能范围仍在争论中。在这里，我们提出了一种新颖的掩盖范式，其中志愿者将区分呈现的布里型呈现的变化方向，并呈现掩盖的光栅刺激。结合了信号检测理论和意识的主观度量，我们表明，在不自觉试验中的表现与视觉选择的反复选择是一致的，朝着重复的Gabor斑块方向加权，并响应新颖的无意识地处理方向而重新分配。这在试验中尤其存在，在该试验中，前面特征的加权强度很大，并且只有新颖的功能是看不见的。因此，我们的结果提供了证据表明，看不见的方向刺激可以触发历史引导的视觉选择权重的重新分配。
值梯度加权模型...
基于模型的增强学习（MBRL）是一种获得控制策略的样本有效技术，但不可避免的建模误差通常会导致性能恶化。MBRL中的模型通常仅用于重建动态，尤其是状态观察，而模型误差对策略的影响并未由培训目标捕获。这导致MBRL的目标目标之间的不匹配，实现良好的政策和价值学习，以及实践中采用的损失函数的目标，未来的国家预测。天真的直觉表明，价值感知的模型学习将解决这个问题，实际上，已经基于理论分析提出了针对该客观不匹配问题的第二种解决方案。但是，在实践中，它们往往不如通常使用的最大可能性（MLE）方法。在本文中，我们提出了价值梯度加权模型损失（VAGRAM），这是一种新颖的价值模型学习方法，可改善MBRL在具有挑战性的环境中的性能，例如小型模型容量和分散注意力的状态尺寸。我们分析了MLE和值感知的方法，并演示了他们如何在学习价值吸引模型时无法解释样本覆盖范围和功能近似的行为。fom，我们强调了在深度学习环境中稳定优化的其他目标。为了实现这一目标，我们利用经验值函数的梯度作为对RL算法对模型误差的敏感性的量度。我们通过表明我们的损失函数能够在Mujoco基准套件上获得高回报来验证我们的分析，同时比基于最大似然的方法更健壮。
通过监督的视图贡献加权
最近基于深度学习的多视图人检测（MVD）方法在现有数据集上显示出令人鼓舞的结果。但是，当前方法主要在具有数量有限的多视图框架和固定相机视图的小型单个场景上进行培训和评估。结果，这些方法可能不可行，可以在更大，更复杂的场景中检测出严重的阻塞和摄像机误差错误。本文着重于通过开发有监督的观点加权方法来改善多视图人的检测，该方法可以更好地融合大型场景下的多相机信息。此外，还采用了大型合成数据集来增强模型的概括性，并实现了更实际的评估和比较。通过简单的域适应技术进一步证明了模型在新测试场景上的性能。实验结果证明了我们方法在实现有希望的跨场所多视角人检测表现方面的有效性。
带加权的多主体无监督迁移...
运动想象信号由用户生成，在基于脑电图的系统中，该信号记录在头皮上；然而，头皮上记录的信号不仅取决于所涉及神经元的位置，还取决于神经元树突的方向，这会影响电流的方向 [6]。因此，不同用户的 MI 信号会有所不同，为一个用户训练的分类器不能轻易用于另一个用户 [7]，[8]。即使对于同一个用户，也常常需要频繁重新校准，以适应生成的运动想象信号中可能出现的漂移 [9]，[10]。有许多迁移学习尝试使用现有数据以无监督的方式为新用户训练分类器，即使用新用户的未标记校准数据 [11]。在这些方法中，子空间对齐 [12] 找到了一种线性映射来将特征从源域适配到目标域，但是，它不使用源域中的可用标签。
智能手机对弥散加权成像的可靠性——...
背景：使用安装在智能手机上的医疗应用程序可以查看高质量的神经图像。虽然发现智能手机和台式电脑显示器之间的设备间一致性有利于评估计算机断层扫描图像，但没有用于弥散加权成像 (DWI) 的设备间一致性数据。目的：我们的研究旨在比较使用 Join 智能手机应用程序和使用台式电脑显示器对 DWI 的解释，包括设备间和评分者间一致性以及所用解释时间。方法：两名血管神经科医生使用 Join 智能手机应用程序和台式电脑显示器对连续患有大脑中动脉区域急性卒中患者的 DWI 缺血性变化进行分级。血管神经科医生对所有患者信息均不知情。根据日本神经血管内治疗协会的标准，每张图像被归类为弥散加权成像-阿尔伯塔卒中计划早期计算机断层扫描评分 (DWI-ASPECTS) ≥ 7 或 DWI-ASPECTS <7。我们分析了 DWI-ASPECTS 的设备间一致性和评定者间一致性。比较了 Join 智能手机应用程序和台式电脑显示器评估的 DWI-ASPECTS 的解释时间。结果：我们分析了 111 名患者（66% 为男性；中位年龄 = 69 岁；入院时美国国立卫生研究院卒中量表评分中位数 = 4）的图像。智能手机和台式电脑显示器之间关于 DWI-ASPECTS 的设备间一致性良好（血管神经科医生 1：κ =0.777，P <.001，血管神经科医生 2：κ =0.787，P <.001）。智能手机（κ =0.710，P <.001）和台式电脑显示器（κ =0.663，P <.001）的评定者间一致性也令人满意。智能手机和台式电脑显示器之间的平均解释时间相似（血管神经科医生 1：1.7 分钟 vs 1.6 分钟；P =.64）；血管神经科医生 2：2.4 分钟 vs 2.0 分钟；P =.14）。结论：使用智能手机应用程序可让血管神经科医生准确快速地估计 DWI-ASPECTS。Join medical 智能手机应用程序在急性中风管理方面显示出巨大的潜力。
T1 加权的自动分割和检测...
关于脑成像应用的研究有很多。马来西亚的统计数据显示，神经胶质瘤是脑瘤中最常见的疾病类型之一。神经胶质瘤脑瘤是脑组织内神经胶质细胞的异常生长，被称为脑组织。放射科医生通常使用磁共振成像 (MRI) 图像序列来诊断脑瘤。然而，放射科医生手动检查脑瘤诊断是一项困难且耗时的任务，因为肿瘤的形状和外观各不相同。他们还会注射钆造影剂来增强图像模态，这会给患者带来副作用。因此，本文提出了一种使用 Sobel 边缘检测和数学形态学操作对 MRI 脑图像进行自动分割和检测的方法。从脑瘤图像分割基准 (BRATS) 获得了总共 30 个神经胶质瘤 T1 加权 MRI 脑图像。使用区域重叠定量评估分割和检测的结果，准确率为 80.2%，表明所提出的方法很有前景。