XiaoMi-AI文件搜索系统
World File Search System区域分割
det 4, 18 cws 区域 1 本地飞行简报（区域 1 脆弱）
+02 / +35 +01 / +34 +00 / +32 -02 / +28 -02 / +28 -02 / +29 +01 / +33 +00 / +32 -01 / +30 -04 / +24 -05 / +23 -05 / +23 29.61 29.62 29.70 29.83 29.97 30.04 +861 +852 +777 +657 +528 +464 -452 -536 -775 -1223 -1388 -1398
如何记录土地分割或开发计划
如何记录分区或土地开发计划 宾夕法尼亚州市政规划法规 (MPC) 要求记录所有经市政当局批准的分区和土地开发计划。在获得市政当局批准之前，县规划委员会也必须审查拟议的计划。批准的计划必须在最终批准后的 90 天内记录在县契约记录员办公室。*除非计划表明市政管理机构的批准和县规划机构的事先审查，否则契约记录员不会接受计划进行记录。 记录计划的程序：所有分区和土地开发计划必须在记录前得到市政当局的批准（并在市政当局批准之前的审查过程中由蒙哥马利县规划委员会审查）。所有计划都必须由适当的市政当局签字并注明日期以表明批准。如果计划的签名日期早于 90 天的记录期限*，则应由相应的市政当局重新签署并重新注明日期，或者必须随计划一起提交市政当局的信函，说明市政当局免除 90 天的记录期限要求。您必须首先将所有已批准的计划（纸质副本是可以接受的；我们保留一份副本作为我们的文件）带到位于诺里斯敦瑞典街 425 号蒙哥马利广场一号 201 室的蒙哥马利县规划委员会，在记录前盖章、密封和签名。我们的委员会不收取此项服务的费用。我们建议您在 3:15 之前到达我们的办公室，以便有足够的时间完成记录过程。为了方便盖章和密封过程，计划应包含我们的 MCPC 文件编号（即 MCPC 10-056-1）。我们办公室有关您的计划的所有信件上都有此号码。该计划上可能印有我们的标准签名框（如下），或者在计划右侧边缘留出一个宽 3½ 英寸、高 2½ 英寸的空白区域，以便加盖我们委员会的印章和印章。
3D 多模态脑肿瘤分割和分级...
1 美国国立卫生研究院国家癌症研究所癌症研究中心，10 号楼，马里兰州贝塞斯达，20892，美国。2 爱琴海大学计算机工程系，伊兹密尔博尔诺瓦，35100，土耳其。3 不列颠哥伦比亚大学医学院，317 - 2194 健康科学商城，温哥华，BC V6T 1Z3，加拿大。摘要 神经胶质瘤是最常见的脑肿瘤之一。早期检测和分级神经胶质瘤对于提高患者的生存率至关重要。计算机辅助检测 (CADe) 和计算机辅助诊断 (CADx) 系统是必不可少的重要工具，可提供更准确、更系统的结果，从而加快临床医生的决策过程。通过利用各种深度学习模型（例如 CNN）和迁移学习策略（例如微调），图像分类的性能结果提高了准确性，并且提高了有效性，尤其是对于具有相似性的新型大规模数据集。在本文中，我们介绍了一种新方法，该方法结合了机器、深度学习和迁移学习方法的变体，用于在多模态脑肿瘤分割 (BRATS) 2020 数据集上对脑肿瘤（即神经胶质瘤）进行有效的分割和分级。我们将流行且高效的 3D U-Net 架构应用于脑肿瘤分割阶段。我们还利用 23 种不同的深度特征集组合和基于 Xception、IncResNetv2 和 EfficientNet 的机器学习/微调深度学习 CNN 模型，在肿瘤分级阶段使用 4 种不同的特征集和 6 种学习模型。实验结果表明，该方法在 BraTS 2020 数据集上对基于切片的肿瘤分级的准确率为 99.5%。此外，我们的方法与最近的类似研究相比具有竞争力。关键词：神经胶质瘤；神经胶质瘤等级；分割；特征提取；深度学习、集成学习、MRI 分类
骨盆放射疗法中的自动分割
人工智能可以标准化和自动化高度要求的程序，例如手动策略，尤其是在像骨盆一样常见的解剖部位中。这项研究研究了女性和男性骨盆放射疗法（RT）的四种自动化序列工具（CT）图像，从基于ATLAS的简单和著名方法开始到最新的基于神经网络的算法。评估包括定量，定性和时间效率评估。回顾性地选择了一系列40个宫颈癌和40个前列腺癌结构集。在准备阶段后，每个站点的剩余20个测试集由基于Atlas的模型主食，一个基于森林的随机模型以及两个基于森林的模型以及两个基于深度学习的工具（DL），Mvision和Limbusai自动分割。将手动分割设置为地面真理，根据骰子相似性系数（DSC），Hausdorff距离（HD）和距离对验证部分（DAP）比较了200个结构集。自动分割和手动校正持续时间。专业临床医生进行了定性评估。在宫颈癌CTS中，DL的表现优于其他工具，具有较高的定量指标，定性得分和较短的校正时间。另一方面，在前列腺癌CT中，所有分析工具的性能在定量和定性指标方面都是可比的。减少分割时间可以减轻自动化工作流程中骨盆辐射疗法常规的负担。性能结果的这种差异可以通过宫颈癌的各种解剖学变异性在前列腺立体定位疗法（SBRT）中的严格膀胱和直肠填充制剂方面的广泛解剖变异性来解释。
分层多尺度脑肿瘤分割网络
摘要：准确、高效的自动脑肿瘤分割算法对临床实践具有重要意义。近年来，人们对使用卷积神经网络的自动分割算法产生了浓厚的兴趣。在本文中，我们提出了一种新型的分层多尺度分割网络 (HMNet)，它包含一个高分辨率分支和并行的多分辨率分支。高分辨率分支可以跟踪脑肿瘤的空间细节，而多分辨率特征交换和融合使网络的感受野能够适应不同形状和大小的脑肿瘤。具体而言，为了克服昂贵的 3D 卷积造成的大量计算开销，我们提出了一个轻量级的条件通道加权块来减少 GPU 内存并提高 HMNet 的效率。我们还提出了一个轻量级的多分辨率特征融合 (LMRF) 模块，以进一步降低模型复杂度并减少特征图的冗余。我们在 BraTS 2020 数据集上运行测试，以确定所提出的网络的效果如何。 HMNet 对 ET、WT 和 TC 的骰子相似度系数分别为 0.781、0.901 和 0.823。在 BraTS 2020 数据集和其他两个数据集上进行的大量对比实验表明，我们提出的 HMNet 与 SOTA 方法相比取得了令人满意的性能。
经济基岩| ESRI挂毯分割
接近五分之一的受雇居民在采矿，油气开采或采石行业中工作。经济基岩是一个非常乡村，主要是南方市场。已婚式家庭家庭住在一半以上的家庭中，其中四分之一的家庭生活在移动房屋中。这个社会保守的团体凭借他们的手谋生。除了采矿外，建筑和农业是就业的共同行业。他们以自己的房屋和车辆的外观感到自豪。有预算的居民喜欢家庭烹饪，但没有什么太喜欢的。这是一个群体的群体，重视与朋友一起度过的时间。
Vox2Vox：用于脑肿瘤分割的 3D-GAN
摘要。神经胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵袭性、不同的预后和各种异质性组织学亚区，即肿瘤周围水肿、坏死核心、增强和非增强肿瘤核心。虽然使用多模态 MRI 可以轻松检测脑肿瘤，但准确的肿瘤分割是一项具有挑战性的任务。因此，利用 BraTS Challenge 2020 提供的数据，我们提出了一种 3D 体积到体积生成对抗网络来分割脑肿瘤。该模型名为 Vox2Vox，它从多通道 3D MRI 图像中生成逼真的分割输出，分割出整体、核心和增强肿瘤，骰子得分平均值分别为 87.20%、81.14% 和 78.67%，BraTS 测试集的 Hausdorff 距离 95 百分位数平均值分别为 6.44mm、24.36mm 和 18.95mm，这些结果均通过 10 倍交叉验证获得。代码可在 https://github.com/mdciri/Vox2Vox 上找到。
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。
