XiaoMi-AI文件搜索系统
World File Search System勾画
暴力是“真正的变色龙” - ZMSBw - 德国联邦国防军
流程：讨论、书写、勾画、保存结果 交流从领导的欢迎和对流程的解释开始。在每一轮中，参与者在纸上写下、画出、勾勒出他们的想法等，并将其钉在提供的板上。领队发出信号后，各参与者在20分钟后交换位置并再次混在一起。我们的世界咖啡馆将进行三轮活动。主持人留在各自的岗位上，欢迎新来者，总结迄今为止的对话并重新开始讨论。显示板上的结果被保存并重复使用。讨论是开放的，旨在加深对电台主题的了解。
通讯
亲爱的家长/监护人 本周在学校学习了许多有趣的事情。孩子们特别喜欢在森林学校度过的时光。松鼠班做了一些美味的香蕉煎饼，野兔班喜欢搭建窝棚。苍鹭班也喜欢户外活动，他们利用校园勾画一些土地和城市景观。我们的刺猬幼儿园班已经开始在大厅里固定活动。他们使用软球或铁环在宽敞的室内空间探索和玩耍。我们即将进行一些精彩的投掷和接球活动！在学校的另一端，翠鸟班在体育课的电路课上挥汗如雨。我们一些班级的设计和技术项目即将进入最终成品阶段。瓢虫班创造了美妙的游乐场，狐狸班使用电路制作了巧妙的棋盘游戏。大黄蜂班用英语写了精彩的故事。他们理所当然地为他们的“长篇写作”感到自豪，这显示出了毅力和写作耐力。
使用深度学习对胶质母细胞瘤患者进行全自动脑切除腔描绘以定义放射靶体积
背景：自动脑肿瘤分割方法是一种计算算法，可从多模态磁共振成像 (MRI) 中勾画出肿瘤轮廓。我们介绍了一种使用深度学习 (DL) 技术对多形性胶质母细胞瘤 (GBM) 患者的切除腔 (RC) 进行自动分割的方法及其结果。方法：纳入 30 名 GBM 患者的术后、有无造影的 T1w、T2w 和液体衰减反转恢复 MRI 研究。三位放射肿瘤学家手动勾画了 RC 以获得参考分割。我们开发了一种 DL 腔分割方法，该方法利用所有四个 MRI 序列和参考分割来学习执行 RC 勾画。我们根据 Dice 系数 (DC) 和估计体积测量值评估了分割方法。
知识组织者：13 年级健康与社会关怀组 18 评估儿童发展支持需求
• 检索练习：阅读知识组织器的一部分，将其盖住，然后写下您能记住的所有内容。重复，直到您记住所有内容。• 抽认卡：使用知识组织器，在一张纸的一面写一个问题，在另一面写一个答案。请别人通过问问题来测试你，看看你是否知道答案。• 思维导图：将知识组织器中的信息转换成思维导图。然后重新阅读思维导图，并在一张一半大小的纸上尝试根据记忆重现思维导图中的关键短语。• 勾画：画一个图像来代表每个事实；这可以单独完成，也可以作为思维导图/抽认卡的一部分完成。• 教它：教别人你的知识组织器上的信息，让他们问你问题，看看你是否知道答案。
香港旅游业2.0发展蓝图
5. 蓝图2.0以前瞻性的眼光勾画香港旅游业长远发展的核心原则、发展策略和路径，并列出未来五年旅游业发展的整体工作方向。我们的愿景和使命是巩固香港作为世界级首选旅游城市的地位，落实“旅游无处不在”，进一步推动旅游相关产业健康持续发展，以旅游带动经济发展。 6. 蓝图2.0传达了三点讯息：第一，香港是背靠祖国的国际旅游城市，我们要善用中央惠及香港的政策，推动香港旅游业全面发展。第二，推动香港旅游业发展，人人都可以出一份力。除了政府的政策支持和推动，各界亦要紧贴市场趋势和机遇，做到“识变、应变、驭变”。全港市民应同心协力，为旅客提供优质的接待和服务，让旅客在港住得开心，一再回港。第三，香港的传统旅游优势明显，包括世界级的旅游景点、美食、城市管理、交通系统等，我们要继续巩固这些优势，优化硬件设施。同时，我们也要
机载 LiDAR 和地面激光扫描仪 (TLS) ...
热带雨林是主要的陆地生态系统之一，通过碳封存对缓解全球气候变化发挥着重要作用。近年来，机载 LiDAR（光检测和测距）和地面激光扫描仪（TLS）在测量和提取森林生物物理参数和特性以及估算地上生物量（AGB）和碳储量方面的应用日益广泛。到目前为止，关于在热带雨林生态系统中使用地面激光扫描仪（TLS）的研究很少。因此，本研究的主要目的是评估地面激光扫描仪和机载 LiDAR 在热带雨林中估算地上生物量和碳储量的表现。通过从数字表面模型（DSM）中减去数字地形模型（DTM），从机载 LiDAR 数据生成冠层高度模型（CHM）。使用多分辨率分割对机载 LiDAR 的 CHM 进行了分割。人工勾画上部树冠，并采用 D“拟合优度测量”方法评估分割精度，精度为 68.6%。使用地面激光扫描仪 (TLS) 通过多个扫描位置收集点云数据。在配准点云数据（误差为 0.016m）后，在 779 棵树中，提取了 627 棵树（80.5%），遗漏了 152 棵树（19.5%）。树木参数、胸高 (DBH) 和 He
iQuest 临床验证工作 - Avenda Health
Avenda Health 的 iQuest 软件是一种基于人工智能 (AI) 的决策支持工具，可与医学成像和活检数据结合使用来规划前列腺癌干预措施。iQuest 通过帮助用户分割 MRI 图像特征、以 3D 形式可视化癌症风险以及选择治疗部位来支持前列腺肿瘤学工作流程。迄今为止，各种临床数据回顾性研究已用于验证 iQuest 功能，包括多份同行评审的摘要和几份正在准备中的手稿。这些验证工作总结如下。AI 前列腺分割算法 (AIPSA) Avenda Health 开发了一种基于 MRI 图像自动分割前列腺的 AI 算法，并在 137 个多机构测试案例上验证了该算法。该算法在广泛的前列腺体积、扫描仪型号和图像分辨率中均表现出色，平均骰子相似系数为 0.93。此外，在与竞争产品（In Vivo DynaCAD）的前列腺分割功能进行头对头比较时，Avenda 算法表现最佳，骰子相似度（0.93 vs 0.86）和相对体积误差（4.9% vs 15.2%）均有显著改善。AI 病变轮廓算法 Avenda Health 开发了一种 AI 算法，帮助用户定义病变轮廓，以便在前列腺干预（如靶向治疗）期间使用。该算法的核心特征是癌症估计图（CEM），即整个前列腺估计的临床显著癌症（csPCa）风险的 3D 图。CEM 是使用多机构融合活检数据开发的，并在 100 例多机构前列腺切除术病例中进行了验证 [1]。事实证明，CEM 在预测 csPCa 方面非常有效，平均 AUC 为 0.92，平衡准确度为 85%。此外，使用来自外部人群的 50 例前列腺切除术病例，从 CEM 得出的默认病变轮廓优于传统规划 [1]。Avenda 病变轮廓具有更高的 csPCa 敏感性和更高的指数肿瘤包封率（分别为 97% 和 90%），高于放射科医生定义的原始目标（37%，0%）、半腺边缘（94%，66%）和 1 厘米均匀边缘（93%，82%）。在同一项研究中，iQuest 的包封置信度评分功能能够准确预测 csPCa 包封率，R 2 值为 0.98，中位误差仅为 4%。Avenda LCA 验证工作已在 5 篇同行评审和获奖摘要中发表 [2-6]，手稿正在准备提交期刊 [1]。病变轮廓勾画的医生研究除了内部研究确认用户与 iQuest 整体交互的准确性和有效性之外，还通过多读者（N = 10）多病例（N = 50）研究使用根治性直肠切除术标本作为基本事实来评估病变轮廓勾画任务[7-10]。使用 iQuest 的读者（医生）绘制的病变轮廓比手动定义的轮廓识别出更多的 csPCa（97% vs 38%），同时比半腺轮廓保留了更多的良性组织（72% vs 53%）。iQuest 轮廓的平衡准确度明显高于两种比较方法，阅读时间减少了 40%。手稿正在准备提交给期刊 [9]。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28