XiaoMi-AI文件搜索系统
World File Search System加权
使用静音梯度线圈进行安静 T1 加权 7T 脑成像的图像质量和受试者体验
摘要 目的：磁共振成像 (MRI) 中的噪声会对患者产生负面影响。我们评估了以 20 kHz 切换的静音梯度线圈与 7 T 1 加权磁化制备的快速梯度回波 (MPRAGE) 序列的结合。方法：五名健康受试者（21-29 岁；三名女性）之前没有接受过 7-T MRI 检查，分别接受了两次安静 MPRAGE (Q-MPRAGE) 和常规 MPRAGE (C-MPRAGE) 序列。两名神经放射科医生对图像质量进行了定量和定性评估。所有受试者在每个序列之后立即以及整个检查（延迟）后（0-10 的量表）客观测量声级并主观评分。所有受试者还报告了舒适度、总体体验和再次接受该序列的意愿。结果：与 C-MPRAGE 相比，Q-MPRAGE 具有更高的信噪比 (10%；p = 0.012) 和更低的对比噪声比 (20%；p < 0.001)，并且图像质量良好。Q-MPRAGE 产生的噪音水平低 27 dB (76 对 103 dB)。受试者报告 Q-MPRAGE 的即时 (4.4 ± 1.4 对 6.4 ± 1.3；p = 0.007) 和延迟 (4.6 ± 1.4 对 6.3 ± 1.3；p = 0.005) 的噪音水平较低，而他们评定的舒适度 (7.4 ± 1.0 对 6.1 ± 1.7；p = 0.016) 和总体体验 (7.6 ± 1.0 对 6.0 ± 0.9；p = 0.005) 较高。再次接受该序列的意愿也更高，但并不显著（8.1 ± 1.0 对比 7.2 ± 1.3；p = 0.066）。结论：与 7 T 的 C-MPRAGE 相比，使用静音梯度线圈的 Q-MPRAGE 可将声级降低 27 dB，同时具有可接受至良好的图像质量以及更安静、更愉快的受试者体验。关键词：声学、健康志愿者、磁共振成像、神经成像、噪音
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
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
供应商提供的容积测定软件和 NeuroQuant 使用 3D T1 加权图像对认知障碍患者进行比较：
背景：确定临床上可用的体积测定方法之间的方法间差异对于在更广泛的背景下临床应用脑体积测定至关重要。目的：本研究旨在检验西门子形态测量 (SM) 软件和 NeuroQuant (NQ) 软件的方法间可靠性和差异。材料和方法：这项回顾性研究纳入了 86 名患有主观或客观认知障碍的受试者的 MRI 图像。在本研究中，使用 3T MR 扫描仪 (Skyra 3T, Siemens) 为所有受试者获取了 3D T1 体积图像。使用 SM 和 NQ 对 3D T1 体积图像进行体积分析。为了分析方法间差异、相关性和可靠性，我们使用了配对 t 检验、Bland-Altman 图、Pearson 相关系数、组内相关系数 (ICC) 和效应大小 (ES)，使用了 MedCalc 和 SPSS 软件。结果：SM 和 NQ 对皮质灰质、脑白质和脑脊液的测量结果具有极好的可靠性；对颅内容积、全脑体积、丘脑和海马的测量结果具有良好的可靠性。相反，对包括尾状核、壳核和苍白球在内的两个基底神经节的测量结果可靠性较差。配对比较显示，虽然两种软件对右侧海马的平均体积没有差异，但两种方法对左侧海马体积的平均差异为 0.17 ml（P < 0.001）。其他脑区在两种软件的测量体积方面存在显著差异。结论：SM 和 NQ 在评估大多数脑结构时具有良好至优秀的可靠性，但认知障碍患者的基底神经节除外。研究人员和临床医生在交替使用这两种不同的软件时，应注意测量体积的潜在差异。
彭博固定收益优化方法论补充
在初始确定日期上，轨迹约束确保索引的加权度量等于或低于基准指数加权度量的指定百分比。在随后的重新平衡上，约束确保索引的加权度量将等于或低于当时基准指数的加权度量的指定比例的较低，或者由指定的几何降低确定的水平相对于初始确定日期或基本确定日期的基准指数的加权度量。索引的加权度量和基准指数排除了该量度没有报告或估计值的成分，并将权重标准化为其余成分。确定日期𝑑𝑑，加权度量如下：
利用可学习的 3D PE 加权池化对阿尔茨海默病诊断进行高效训练
摘要：三维卷积神经网络 (3D CNN) 已广泛应用于分析阿尔茨海默病 (AD) 脑图像，以更好地了解疾病进展或预测从认知障碍 (CU) 或轻度认知障碍状态的转变。众所周知，由于医学成像领域的样本量较小，训练 3D-CNN 的计算成本很高，并且有可能过度拟合。在这里，我们提出了一种新颖的 3D-2D 方法，通过使用可学习加权池化 (LWP) 方法将 3D 脑图像转换为 2D 融合图像，以提高训练效率并保持可比的模型性能。通过 3D 到 2D 的转换，所提出的模型可以轻松地通过预先训练的 2D 模型转发融合的 2D 图像，同时在不同的 3D 和 2D 基线上实现更好的性能。在实施过程中，我们选择使用 ResNet34 进行特征提取，因为它的表现优于其他 2D CNN 主干。我们进一步表明，切片的权重与位置有关，模型性能取决于 3D 到 2D 融合视图，冠状视图的结果最佳。与传统的 3D CNN 相比，使用新方法，我们能够减少 75% 的训练时间，并将准确率提高到 0.88，使用公开的阿尔茨海默病神经影像计划数据集对 CU 参与者的 AD 患者的淀粉样蛋白 PET 成像进行分类。这种新颖的 3D-2D 模型可能对未来在临床环境中及时诊断 AD 具有深远的影响。
使用加权定向的无环图进行重大维修房地产物品：节能措施的最佳组合简介
摘要。在2005年至2019年期间，世界各地对世界各地进行的能源消耗分析表明，能源消耗的增长仅在每年增加，需要一定的节能措施。最大的能源消耗是在建筑业中，即与大城市城市化有关的住宅建筑。能源消耗不仅取决于温度和照明控制系统的能源效率，还取决于其运营的建筑物的效率。基于此，考虑到有条件地分为“旧公寓楼”和“新公寓楼”（取决于建筑时期）的Voronezh市的住房库存。多区域建筑物。根据获得的数据，分别对旧公寓楼和新公寓楼的能源消耗进行了统计分析。在研究的基础上，在使用加权定向的无环图计划进行大量维修（AB）时，提出了算法进行节能措施引入。