XiaoMi-AI文件搜索系统
World File Search System加权
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
美国 - AnnualReports.com
RWA 风险加权资产用于计算监管资本比率，包括表内和表外资产，这些资产被分配到几大风险类别之一，并根据代表其风险和违约可能性的因素加权。表内资产的风险加权基于与债务人或交易对手相关的感知信用风险、任何抵押品的性质以及担保人（如果有）。表外资产（例如贷款相关承诺、担保、衍生品和其他适用的表外头寸）的风险加权方法是将合同金额乘以适当的信用转换因子以确定表内信用等值金额，然后根据用于表内资产的相同因素对其进行风险加权。风险加权资产还包括与适用交易资产（债务和股权工具）相关的市场风险指标。然后将每个风险类别的结果风险加权值汇总以确定总风险加权资产。
长期RFP（LT1 RFP） - 最终结果（2024年6月6日）
存储类别加权平均价格（$/兆瓦企业日）$ 672.32 *加权平均价格仅包括选定的支持者。在LT1 RFP中不成功的提案不包括在加权平均价格中。
基于扫描仪的实时 3D 脑+身体切片到体积重建，用于 T2 加权 0.55T 低场胎儿 MRI
目的 将 SVRTK 方法集成到 Gadgetron 框架中，可以在低场 0.55T MRI 扫描仪中在扫描持续期间自动进行 3D 胎儿大脑和身体重建。方法 通过将适用于低场 MRI 的自动可变形和刚性切片到体积 (D/SVR) 重建与基于实时扫描仪的 Gadgetron 工作流程相结合，实现基于深度学习、集成、稳健且可部署的工作流程，从几个运动损坏的单独 T2 加权单次 Turbo Spin Echo 堆栈中产生超分辨率 3D 重建的胎儿大脑和身体。在 12 个前瞻性获取的胎儿数据集中，从胎龄 22-40 周的范围对流程的图像质量和效率进行定性评估。结果 重建在获取最终堆栈后平均 6:42 ± 3:13 分钟内可用，并且可以在正在进行的胎儿 MRI 扫描期间在扫描仪控制台上进行评估和存档。输出图像数据质量被评为良好至可接受的水平。对 83 个 0.55T 数据集进行的管道额外回顾性测试表明，低场 MRI 的重建质量稳定。结论 所提出的管道允许基于扫描仪的低场胎儿 MRI 前瞻性运动校正。这项工作的主要新颖部分是将自动化胎儿和身体 D/SVR 方法汇编成一个组合管道，首次将 3D 重建方法应用于 0.55T T2 加权数据，以及在线集成到扫描仪环境中。
针对信贷机构的特定报告方面的附加指导
1 CET1 资本的盈余(+)/赤字(-) = 当前 CET1 资本金额 - (4.5% * 总风险加权资产)，T1 资本的盈余(+)/赤字(-) = 当前 T1 资本金额 - (6% * 总风险加权资产) 且总资本的盈余(+)/赤字(-) = 当前总资本金额 - (8% * 总风险加权资产)，其中总风险加权资产 = {COREP C 02.00, r0010, c010)。
2020 年资源充足性报告
去年，系统和本地加权价格之间的差距有所缩小，这一趋势在 2020 年延续。本地 RA 的加权平均价格为 4.96 美元/千瓦月，而系统 RA 容量的加权平均价格为 4.75 美元/千瓦月。本地 RA 价格也有所上涨——2020 年本地地区的加权平均价格从湾区的 3.86 美元/千瓦月到斯托克顿的 7.70 美元/千瓦月不等，而 85 百分位价格从未指定的 PG&E 本地容量的 5.50 美元/千瓦月到 Sierra 的 9.25 美元/千瓦月不等。与前几年报告的价格相比，这些价格有显著增长。对于灵活容量，价格并不高于系统容量的价格。2020 年灵活容量的加权平均价格为 4.65 美元/千瓦月，而非灵活系统容量的加权平均价格为 4.81 美元/千瓦月。
ECPI循环经济领导者股票指数
ESG等级：基准的加权平均ESG等级|设想评级：基准的加权平均环境评级| SOC评分：基准的加权平均社会评分|政府评级：基准的加权平均治理评级|前10个位置：通过在基准中加权的前十名基准成分的总体ESG额定值|高气候影响部门的暴露（％）：A至H和第I节中包括的活动的基准敞口至法规（EC）第1893/2006年第1893/2006号|温室气体强度（吨CO2E/USD MN）：基准的温室气体（GHG）强度|温室气体报道的与估计的（％）：报道的温室气体排放百分比与估计的|棕色部门的暴露（％）：基准暴露于附件I的05至09、19和20中的活动（EC）第1893/2006年第1893/2006号|绿色部门的暴露（％）：基于环境商品和服务部门中包括的活动的基准暴露，如第2条第（5）点（EU）第691/2011号|与气候相关的物理风险评分：基准投资组合暴露于与气候相关的物理风险，表示为加权的平均物理风险评分，在2030年暴露于中等气候变化方案。|腐败。/brib。（罚款和settl。in Eur m）：违反反腐败和反贿赂法的罚款数量。分数表示为从1（最低风险）到100（最高风险）的值|有争议的武器暴露（％）：有争议的武器部门中基准成分的加权平均百分比|有争议的武器定义涵盖了簇弹药，地雷，核和枯竭的铀武器，生物/化学武器|烟草暴露（％）：烟草部门基准成分的加权平均百分比|社会违规的数量：遭受与人权和劳工权利有关的非常严重争议的基准成分的数量|遵守ILO原则：没有重大劳资争议的基准成分的加权平均百分比|性别工资差距（％）：加权平均性别薪酬差距|女性董事会成员：女性与男性董事会成员的加权平均比例|与工作有关的事故（％）：具有重大健康与安全有关争议的基准成分的加权平均百分比|腐败/贿赂（％）：具有重大腐败/贿赂相关争议的基准成分的加权平均百分比|腐败/贿赂（定罪＃）：违反反腐败和反贿赂法的定罪数量。|独立董事会成员（％）：独立董事会成员的加权平均百分比|女董事会成员（％）：女性董事会成员的加权平均百分比巨型股：市值为2000亿欧元，更高|大帽子：100亿至2000亿欧元|中股：20亿欧元至100亿欧元|小帽子：3亿至20亿欧元| Micro-CAP：5000万欧元至3亿欧元的数据来源：ECPI，Trucost，LSEG，以获取有关EU ESG披露监管的更多信息，ECPI发布了ESG尺寸，请参阅ECPI基准测试声明和/或ECPI指数规则（www.ecpigroup.com）。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用基于嘈杂学生的训练来提高 T1 加权对比增强 3D MRI 中的脑转移瘤检测率
摘要 — 早期发现脑转移瘤 (BM) 可能对癌症患者的预后产生积极影响。我们之前开发了一个框架，用于在 T1 加权对比增强 3D 磁共振图像 (T1c) 中检测小 BM（直径小于 15 毫米），以协助医疗专家完成这项时间敏感且高风险的任务。该框架利用专用的卷积神经网络 (CNN)，该网络使用标记的 T1c 数据进行训练，其中基本事实 BM 分割由放射科医生提供。本研究旨在通过一种基于嘈杂学生的自训练策略来推进该框架，以利用大量未标记的 T1c 数据（即没有 BM 分割或检测的数据）。因此，该工作 (1) 描述了学生和老师 CNN 架构，(2) 介绍了数据和模型噪声机制，以及 (3) 引入了一种新颖的伪标记策略，考虑到框架学习到的 BM 检测灵敏度。最后，它描述了一种利用这些组件的半监督学习策略。我们使用 217 个标记和 1247 个未标记的 T1c 检查通过 2 倍交叉验证进行了验证。仅使用标记检查的框架在 90% 的 BM 检测灵敏度下产生了 9.23 个假阳性；而使用引入的学习策略的框架在相同灵敏度水平下导致错误检测减少约 9%（即 8.44）。此外，虽然使用 75% 和 50% 标记数据集的实验导致算法性能下降（分别为 12.19 和 13.89 个假阳性），但使用嘈杂的学生训练策略的影响不太明显（分别为 10.79 和 12.37 个假阳性）。
2021 年大学定价和学生资助趋势
入学加权学费值代表每所院校收取的价格，以 2020 年秋季入学的全日制本科生人数加权。公立四年制州内费用以每所院校 2020 年秋季全日制本科生总入学人数加权，包括州内学生和州外学生。州外学费和杂费的计算方法是将州内平均价格与州外溢价相加，再以每所院校入学的全日制州外本科生人数加权。2020 年和 2021 年的食宿费用是通过将一年中位数百分比变化应用于上一年的平均值来计算的。在《2019 年大学定价趋势》及之前的版本中，食宿费用按四年制院校在校本科生人数和公立两年制院校走读生人数加权。