XiaoMi-AI文件搜索系统
World File Search System区域分割
草地碳汇监测与核算技术规程
涡度相关法直接测定的是净生态系统碳交换（Net Ecosystem Exchange, NEE）。监测样地的碳汇 为一定时期净生态系统碳交换（NEE）累加值的负值，即净生态系统生产力（NEP）。当NEP为正值时， 表示监测区域为碳汇；当NEP为负值时，表示监测区域为碳源。
基于直方图的自动分割：从 SEM 图像中分割集成电路结构的新方法
摘要 — 在逆向工程和硬件保证领域，大多数数据采集是通过电子显微镜技术（如扫描电子显微镜 (SEM)）完成的。然而，与光学成像中的同行不同，只有有限数量的技术可用于增强和提取原始 SEM 图像中的信息。在本文中，我们介绍了一种从 SEM 图像中分割出集成电路 (IC) 结构的算法。与本文讨论的现有算法不同，该算法是无监督的、无参数的，并且不需要关于噪声模型或目标图像中特征的先验信息，这使得它在低质量图像采集场景中也有效。此外，还报告并讨论了该算法在 IC 中各种结构和层上的应用结果。索引术语 — 逆向工程、硬件保证、SEM、分割
多类脑肿瘤分类和分割...
摘要。脑肿瘤分类是一项重要的任务，用于评估肿瘤并根据其类别选择治疗类型。脑肿瘤的诊断需要多种成像技术。然而，MRI 经常被使用，因为它提供更高的图像质量并使用非电离辐射。深度学习 (DL) 是机器学习的一个子领域，最近表现出令人印象深刻的性能，特别是在分割和分类问题方面。基于卷积神经网络 (CNN)，本研究提出了一种混合深度学习网络 (HDLN) 模型，用于对多种类型的脑肿瘤进行分类，包括神经胶质瘤、脑膜瘤和垂体瘤。Mask RCNN 用于脑肿瘤分类。我们使用挤压和激励残差网络 (SE-ResNet) 进行脑肿瘤分割，这是一个带有挤压和激励块的残差网络 (ResNet)。使用公开的研究数据集测试所提出的模型进行实验分析，获得了 98.53% 的总体准确率、98.64% 的灵敏度和 98.91% 的特异性。与最先进的分类模型相比，所提出的模型获得了最好的准确率。对于多类脑肿瘤疾病，所提出的 HDLN 模型显示出其优于现有方法。
脑肿瘤分割与 3D 可视化
1 计算机工程系，1 通用工程学院，瓦塞，印度 摘要：脑肿瘤分割在医学图像处理中起着重要作用。脑肿瘤的早期诊断有助于改善治疗可能性并提高患者的存活率。从医疗常规生成的大量 MRI 扫描中手动分割脑肿瘤可能非常耗时。这导致需要一个自动脑肿瘤图像分割系统来进行顺利诊断。从磁共振成像 (MRI) 扫描中定位和分割脑肿瘤对于医学分析领域的多种应用来说是一项艰巨而重要的任务。每种脑成像模态都提供与肿瘤每个部分相关的独特和关键细节。许多最近的方法使用了四种模态，即 T1、T1c、T2 和 FLAIR。NeuroVision 是一个灵活有效的脑肿瘤分割和可视化 Web 应用程序。该系统使用基于 CNN 的 UNET 模型进行脑肿瘤分割并显示不同的肿瘤区域。其次，使用 Python 图形库以 2-D、3-D 和 360 度视图可视化肿瘤的不同区域。生成的医疗报告包括肿瘤在脑内的位置和肿瘤相对于脑的占有率。在 BRATS 2020 数据集上进行了全面的实验，结果表明，所提出的模型获得了有竞争力的结果。所提出的方法分别实现了平均整个肿瘤、增强肿瘤和肿瘤核心骰子得分 88.3%、75.3% 和 79.0%。索引术语 - 脑肿瘤、UNET、BRATS、MRI、分割、可视化、模态、骰子得分。I. 介绍脑肿瘤是一组异常细胞以不受控制的方式繁殖的阶段。磁共振成像 (MRI) 是一种非侵入性测试，医生可以使用它来诊断患者的病情。 MRI 提供高分辨率和软组织高对比度的图像。MRI 提供有关脑肿瘤形状、大小和位置的重要信息，以便对患者进行有效的诊断和治疗计划。因此，脑肿瘤医学领域的大部分研究都是使用 MRI 图像进行的。可以创建各种 MRI 模式，这些模式可以称为加权图像。这些模式是 T1 加权、T2 加权、T1c 和液体衰减反转恢复 (FLAIR)。T1 加权图像在脑组织的灰质和白质之间具有高对比度，这有助于更好地分割脑肿瘤。T1 加权对比度增强了 T1 图像，而 FLAIR 使肿瘤区域变得高强度，这就是它用于脑肿瘤结构诊断的原因。研究需求 MRI 图像代表了诊断和治疗计划中一项关键且具有挑战性的任务，有助于准确分割脑肿瘤。图像分割是医学成像中的一个动态领域，包括从图像中提取一个或多个肿瘤区域，这使得肿瘤区域对治疗很有吸引力。为了进行脑肿瘤检测，文献中已经开发了各种算法，包括基于阈值的方法、基于区域的方法、可变形方法、分类方法和深度学习。但在这项工作中，UNET 已用于脑肿瘤的检测和分割。图像可视化在医学领域也起着非常重要的作用。这有助于确定治疗或手术的可能结果。医疗专业人员可以很容易地与患者沟通他们的问题是什么以及如何治疗。因此，脑肿瘤的检测、分割、可视化以及肿瘤占据了大脑某个区域的百分比，所有这些过程都在一个名为 NeuroVision 的平台上执行。可以使用脑肿瘤分割从健康脑组织中提取肿瘤区域并检测脑肿瘤。因此，肿瘤可以有不同的大小和位置，准确有效地分割肿瘤成为一项具有挑战性的任务。肿瘤可以具有各种外观特性，例如其结构可以是非刚性的并且可以具有复杂的形状。
基于兴趣区域的脑肿瘤分割 -
摘要由于磁共振成像（MRI）具有较高的软组织对比度，因此在MRI图像中，对肿瘤的轮廓（脑）肿瘤在医学图像过程中至关重要。对肿瘤进行精确分割是巨大的挑战，因为肿瘤和正常组织通常在大脑中密不可分地交织在一起。手动耗时也非常耗时。后期的深度学习技术开始在脑肿瘤分割中表现出可取得的成功。这项研究的目的是开发一种新的兴趣区域（ROI ADED）深度学习技术，用于自动脑肿瘤MRI分割。该方法由两个主要步骤组成。第一步是使用具有U-NET结构的2D网络来定位肿瘤ROI，这是为了产生正常组织干扰的影响。然后，在第2步中执行3D U-NET，以进行识别的ROI内的肿瘤分割。该提出的方法在MIC-CAI BRATS 2015挑战中得到了验证，其中220个高神经胶质瘤级（HGG）和54个低神经胶质瘤级（LGG）患者的数据。骰子相似性系数和手动肿瘤轮廓之间的Hausdorff距离分别为0.876±0.068和3.594±1.347 mm。这些数字表明我们所提出的方法是用于大脑MRI肿瘤分割的有效的ROI ADEAD深度学习S，并且是医学图像处理中的有效且有用的工具。
人类大脑的解剖分割
磁共振成像 (MRI) 是一种强大且多功能的成像方式，是许多研究不可或缺的组成部分，尤其是在进行定量分析时。MRI 是成像大脑的首选方法，因为它具有出色的软组织对比度。将大脑准确分割成解剖区域可以对大脑进行准确的定量分析。三个可以自动对人脑进行解剖分割的软件程序是 FreeSurfer、FastSurfer 和 MAPER。本研究的目的是使用 FreeSurfer 作为基线，并调查 FastSurfer 和 MAPER 分割与 FreeSurfer 在同一数据集上的输出的一致性。使用 FreeSurfer、FastSurfer 和 MAPER 对来自 IXI 数据集的 185 个 T1 加权 3D MR 图像进行分割。使用默认训练检查点对 IXI 数据集的 FastSurfer 和 FreeSurfer 输出以及相应的大脑 MR 图像作为 MAPER 的源图谱。然后使用 Jaccard 相似系数将 FastSurfer 和 MAPER 分割与 FreeSurfer 分割进行比较。MAPER 在复制符合 FreeSurfer 的皮层下区域输出方面表现优于 FastSurfer。MAPER 和 FastSurfer 在皮层区域的表现类似。
光照不变的物体分割
常见的通用分割方法会因照明突然变化而受阻。由于打开灯而导致的亮度显著增加以及物体投射的阴影通常会导致这些方法产生错误的分类。为了实现照明不变分割，本文讨论的共线向量模型从局部像素邻域构建 RGB 颜色向量。亮度变化只会对这些向量的长度产生标量值的影响。因此，可以采用正交距离测量来确定照明不变下的局部颜色相似性。在存在加性噪声的情况下，通过找到从向量到未知无噪声信号的最小正交距离来估计向量共线。距离最小化可以定义为最小特征值问题。该最小值被纳入贝叶斯框架，从而允许最大化决策的后验概率 (MAP)。将结果值与静态和自适应阈值进行比较。分类标签被认为是通过马尔可夫随机场 (MRF) 采样的，以对像素相互依赖性进行建模。相应的能量函数定义为证据在空间邻域上的积分。这会导致前景蒙版的空间紧凑性和平滑边缘。使用 PETS 2001 数据集和特定照明测试集来衡量性能。
多视角脑肿瘤分割（MVBTS）
图 2. 平面和三平面网络的概念。（a）轴向平面网络，其中在轴向图像上训练的 CA、CCSA 和 SCSA 网络的分割结果被组合以生成结果。同样，我们可以创建一个冠状集合和一个矢状集合。（b）三平面网络的概述，其中在轴向、冠状和矢状图像上训练的单个注意网络（例如 CA 网络）生成的分割结果被组合以生成结果。在三个正交平面上训练的 CCSA 和 SCSA 注意网络会生成类似的分割结果。
基于物理的脑部 MRI 分割
摘要。磁共振成像 (MRI) 是最灵活、最强大的医学成像方式之一。然而，这种灵活性是有代价的；在不同位置和使用不同参数获取的 MRI 图像在对比度和组织外观方面表现出显著差异，导致在量化脑解剖结构或病理存在时出现下游问题。在这项工作中，我们建议将基于多参数 MRI 的静态方程序列模拟与分割卷积神经网络 (CNN) 相结合，以使这些网络对采集参数的变化具有鲁棒性。结果表明，当给定图像及其相关的物理采集参数时，CNN 可以产生对采集变化具有鲁棒性的分割。我们还表明，所提出的物理信息方法可用于桥接多中心和纵向成像研究，其中成像采集在站点或时间上有所不同。
基于信息理论的大脑分割
电子邮件地址：ester.bonmati@imae.udg.edu（Ester bonmati），bardera@imae.udg.edu（anton bardera），inma.boada@udg.edu（inma boada）