XiaoMi-AI文件搜索系统
World File Search System加权
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
利用可解释的时空加权人工智能对中国地面二氧化氮进行高分辨率太空监测
摘要：地面二氧化氮 (NO 2 ) 对环境质量和公共健康构成严重威胁。本研究开发了一种新颖的人工智能方法，将时空加权信息集成到缺失的额外树木和深林模型中，首先填补卫星数据空白并将数据可用性提高 49%，然后结合地面 NO 2 测量结果、来自 TROPOMI 和 OMI 的卫星对流层 NO 2 柱、大气再分析和模型模拟，得出 2019 − 2020 年期间中国大陆每日 1 公里地面 NO 2 浓度，具有全空间覆盖率（100%）。我们对每日地面 NO 2 的估计值具有平均样本外（市外）交叉验证判定系数为 0.93（0.71），均方根误差为 4.89（9.95）μ g/m 3 。每日无缝高分辨率高质量数据集“ChinaHighNO 2 ”使我们能够研究城市-农村对比等精细尺度的空间模式。我们观察到地表NO 2 在城市和农村地区之间存在系统性的巨大差异（平均28%），尤其是在省会城市。发现强烈的节日效应，中国春节和国庆节期间平均分别下降22%和14%。与北美和欧洲不同，工作日和周末之间的差异很小（在±1 μ g/m 3 以内）。在COVID-19大流行期间，中国地表NO 2浓度在农历新年后的第72天左右大幅下降，然后逐渐恢复到正常水平，这比对流层NO 2 柱长约3周，这意味着前者更能代表NO x排放的变化。关键词：地表NO 2 、空气污染、大数据、人工智能、COVID-19
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
使用MRILAB模拟的大脑T2加权神经图像中的参数来评估图像特征
已经对用于调整磁共振成像（MRI）参数的技术进行了研究，以获取具有更好特征的图像。在这项研究中，我们旨在通过使用用户友好的MRILAB模拟程序来调整翻转角度，激发次数（NEX）和带宽（BW）来确认人脑T2加权图像的最佳参数值。我们还考虑了噪声水平和相似性评估参数。根据结果，随着NEX的增加和BW的降低为90°，噪声水平和相似性评估得到了改善，而它们的最佳状态不太最佳，而不是90°的翻转角度。发现过多的参数变化会在此类图像中引起额外的噪声和伪影，从而导致图像清晰度恶化。因此，我们确认设置适当的参数在磁共振图像采集中至关重要。
原创研究通过加权基因共表达网络分析识别与扩张型心肌病相关的潜在生物标志物
背景：扩张型心肌病 (DCM) 是收缩性心力衰竭的主要原因之一，常具有遗传因素。DCM 发病和进展的分子机制仍不清楚。本研究旨在寻找新的诊断生物标志物，以辅助治疗和诊断 DCM。方法：探索基因表达综合 (GEO) 数据库，提取两个微阵列数据集 GSE120895 和 GSE17800，随后将它们合并为一个队列。在 DCM 组和对照组中分析差异表达基因，然后进行加权基因共表达网络分析以确定核心模块。通过基因显着性 (GS) 和模块成员资格 (MM) 值识别核心节点，并通过 Lasso 回归模型预测四个枢纽基因。在数据集 GSE19303 中进一步验证四个枢纽基因的表达水平和诊断价值。最后，确定了潜在的治疗药物和调节基因的上游分子。结果：绿松石模块是 DCM 的核心模块。鉴定出四个枢纽基因：GYPC（糖蛋白C）、MLF2（髓系白血病因子2）、COPS7A（COP9信号体亚基7A）和ARL2（ADP核糖基化因子类GTPase 2）。随后，通过实时定量PCR（qPCR）检测，枢纽基因在数据集和验证模型中的表达均存在显著差异。还鉴定出四种潜在的调节剂和七种化学物质。最后，成功进行了基因编码蛋白与小分子药物的分子对接模拟。结论：结果表明ARL2、MLF2、GYPC和COPS7A可能是DCM的潜在基因生物标志物。
扩散加权成像在髓母细胞瘤和室管膜瘤鉴别诊断中的准确性
脑肿瘤是儿童最常见的实体肿瘤之一，也是儿童癌症相关死亡的原因（1）。脑肿瘤主要根据组织发生原理进行分类，该原理允许基于与几种假定的起源细胞及其假定的分化阶段的微观相似性对肿瘤进行分类（2）。髓母细胞瘤是一种常见的恶性脑肿瘤，发生于儿童期，占儿童脑肿瘤的 15- 20%（3, 4）。肿瘤通常发生在小脑，在三分之一的病例中常侵入第四脑室，并发展为整个脊髓转移（5）。相关症状不明显，诊断通常会延迟。然而，70% 至 80% 的病例在转移前被诊断出来，而 20% 至 30% 属于高危人群（6）。室管膜瘤是起源于中枢神经系统 (CNS) 的罕见肿瘤。世界卫生组织 (WHO) 已根据组织学将该病分为三类（I、II 或 III），其中
量子退火驱动的单机总加权拖延工件数调度问题的分支定界
本文介绍了一种解决离散优化 NP 难问题的新方法，该方法适用于实现硬件量子退火的量子处理器 (QPU，Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限，使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法，其值在量子机的 QPU 上计算。反过来，为了确定上限，我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的，但本文提出的混合算法构建方法交替使用 CPU 和 QPU，保证了最佳解决方案。作为案例研究，我们考虑 NP 难单机调度问题，最小化延迟作业的加权数量。进行的计算实验表明，在解决方案树的根部已经获得了最优解，并且下限和上限的值仅相差百分之几。
一种加权合奏方法，具有多种预训练的深度学习模型用于中风的分类
摘要：中风是全球最致命的疾病之一，强调了早期诊断的关键需求。本研究旨在创建一个两阶段的分类系统，用于中风和非冲程图像，以支持早期临床检测。深度学习（DL）是诊断，检测和及时治疗的基石，是主要方法论。转移学习适应了成功的DL体系结构来解决各种问题，合奏学习结合了多个分类器，以增强结果。这两种技术用于使用中风和正常图像数据集对中风进行分类。在初始阶段，六个预训练的模型是微调的，densenet，Xception和ExcilityNetB2作为表现最佳的人，分别达到98.4％，98.4％和98％的验证精度。这些模型在整体框架中充当基础学习者。加权的平均合奏方法将它们结合在一起，从而在保留的测试数据集中获得了99.84％的精度。这种方法表现出对中风检测的希望，这是一种威胁生命的状况，同时也证明了合奏技术在增强模型性能方面的有效性。
机器学习模型能否使用基于扩散加权成像的放射组学改善脑转移的早期检测？
当癌细胞从原发癌部位通过血液扩散并在脑内形成新肿瘤时，就会形成颅内转移，从而导致严重的疾病负担和患者发病率。转移性并发症是约 90% 癌症相关发病率的罪魁祸首 (1)，多达 40% 的癌症患者在其一生中会经历至少一次颅内转移 (2)，其中大多数转移源自肺癌、乳腺癌或黑色素瘤。常规治疗方案包括手术切除、全脑放射治疗、立体定向放射外科 (SRS)、全身治疗或这些方法的组合 (3,4)。在使用 SRS 治疗之前，需要高分辨率磁共振成像 (MRI) 来正确定位转移，以实现局部控制，同时保护周围的健康脑组织。脑转移成像的标准方案是使用钆增强 T1 (Gd-T1) 加权 MRI。脑转移形成伴随着癌细胞侵入组织实质。血管生成和肿瘤生长导致脑内微结构变化。因此，随着转移的发展，水分子的扩散会随时间而变化。扩散加权成像 (DWI) 是一种 MRI 技术，利用体内水分子的动力学来产生对比度 (5)，从而可以对这些微结构变化进行成像，而这些变化在传统的 Gd-T1 上可能无法检测到。此外，由 DWI 生成的表观扩散系数 (ADC) 图提供了定量图像集，允许对在不同时间拍摄的多个 DWI 会话的数据进行定量比较。迄今为止，大多数关于脑转移的 DWI 研究都集中在仅分析一次成像会话或治疗前的一组图像集以及治疗后的一组或几组图像集。我们的机构每年治疗超过 200 名 SRS 患者，其中约 20% 的患者需要重新治疗转移性
使用对比后 T1 加权图像结合基于云的 3D 卷积神经网络开发全自动胶质瘤分级流程
摘要：胶质瘤是最常见的脑肿瘤类型，其等级影响其治疗政策和预后。因此，人们已经研究了基于人工智能的肿瘤分级方法。然而，在大多数研究中，都进行了二维（2D）分析和手动肿瘤区域提取。此外，使用医学图像的深度学习研究在收集图像数据和准备硬件方面遇到困难，从而阻碍了其广泛使用。因此，我们开发了一个 3D 卷积神经网络 (3D CNN) 流水线，通过使用 NVIDIA 提供的预训练 Clara 分割模型和我们原始的分类模型，实现全自动胶质瘤分级系统。在该方法中，使用 Clara 分割模型提取脑肿瘤区域，并将使用该提取区域创建的感兴趣体积 (VOI) 分配给分级 3D CNN 并分类为 II、III 或 IV 级。通过使用 46 个区域进行评估，所有肿瘤的分级准确率为 91.3%，与使用多序列的方法相当。提出的流水线方案可以通过结合预训练的 3D CNN 和我们原来的 3D CNN 在单个序列中创建全自动胶质瘤分级流水线。