XiaoMi-AI文件搜索系统
World File Search System区域分割
使用全自动分割方法
背景：正电子发射断层扫描（PET）越来越多地用于用于治疗评估目的。尽管如此，由于空间分辨率低和PET图像的高噪声水平，PET图像中的病变体积识别是放射线学过程中至关重要且仍然具有挑战性的步骤。目前，生物靶标体积（BTV）由核医生手动轮廓，并具有昂贵且依赖操作员的程序。这项研究旨在使用全自动手术，并使用这些BTV提取放射线特征，以在对治疗反应与否的患者之间进行分层，从而在接受L- [11 C]蛋氨酸（11C] PET的患者中获取BTV。出于这些目的，使用建议的方法划定了31种用于预测性评估的脑转移，用于治疗后的随访评估25个。依次使用11C-MET PET研究和相关的体积分割来提取108个特征，以研究放射线分析在脑转移患者中的潜在应用。已实施了一种新型的统计系统，以减少特征和选择，而判别分析被用作特征分类的方法。结果：对于预测性评估，在功能降低和选择后，有3个特征（非球性，低强度跑步和复杂性）能够区分响应者和非反应器患者。与使用所有功能相比，使用三个选定特征（敏感性为81.23％，特异性为73.97％，精度为78.27％）的组合获得了患者歧视的最佳表现。其次，对于后续评估，为8个特征（SUV平均值，SUL峰，SUV，SUL峰值面积面积，SUV平均值量表，表面平均SUV 3，SUL峰值峰值 - 峰值 - 峰值和第二个角度矩和第二个角动力）均在判别分析中具有最佳性能，敏感性86.28％（敏感性86.28％），特定于87.75％，并精确86.75％），精确86.75.75％。 特征。
基于变压器的视觉分割：调查
摘要 - 视觉细分试图将图像，视频帧或点云分段分为多个段或组。该技术具有许多现实世界的应用，例如自动驾驶，图像编辑，机器人传感和医学分析。在过去的十年中，基于深度学习的方法在这一领域取得了显着的进步。最近，Transformers是一种基于最初为自然语言处理的自我注意力的一种神经网络，在各种视觉处理任务中已经超过了以前的卷积或经常性方法。具体来说，视觉变压器为各种细分任务提供了强大，统一甚至更简单的解决方案。本调查提供了基于变压器的视觉细分的详细概述，总结了最近的进步。我们首先审查背景，包括问题定义，数据集和先前的卷积方法。接下来，我们总结了一个统一所有基于变压器的方法的元结构结构。基于此元结构结构，我们检查了各种方法设计，包括对元结构和相关应用程序的修改。我们还提供了几个特定的子字段，包括3D点云进行分割，基础模型调整，域感知分割，有效的分割和医疗分割。此外，我们在几个公认的数据集上编译并重新评估了所审核的方法。最后，我们确定了这一领域的公开挑战，并提出了未来研究的方向。项目页面可以在https://github.com/lxtgh/aweshy-sementation-with-transformer上找到。
声带建模的多模式分割
对声带的准确建模对于构建可解释的语音处理和语言学的关节表达是必要的。但是，声带建模是具有挑战性的，因为许多内部铰接器都被外部运动捕获技术遮住了。实时磁共振成像（RT-MRI）允许在语音过程中测量膜枢纽器的精确运动，但是由于耗时和计算昂贵的标记方法，带注释的MRI数据集限制了大小。我们首先使用仅视觉分段的方法为RT-MRI视频提供了深刻的标签策略。然后，我们使用音频引入多模式算法，以改善人声铰接器的分割。一起，我们为MRI视频细分中的声带建模设定了一个新的基准测试，并使用它来发布75个扬声器RT-MRI数据集的标签，从而将人声道标记的公共RT-MRI数据增加到9。代码和数据集标签可以在rishiraij.github.io/ mult-opodal-mri-avatar/。索引术语：发音演讲，视听感知
多视图脑肿瘤分割（MVBTS）
图2。平面和Triplanar网络的想法。（a）将轴向平面网络从轴向图像进行训练的CA，CCSA和SCSA网络的分割结果组合在一起以产生结果。同样，我们可以创建冠状合奏和矢状 - 合奏。（b）Triplanar网络的概述，在该网络中，从轴向，冠状图像和矢状图像中训练的单个注意网络（例如，CA网络）产生的分段结果合并为生成结果。通过在三个正交平面训练的CCSA和SCSA注意网络中生成类似的分段结果。
开放式vocabulary分割的扩散模型
摘要。开放式摄取分段是分割图像中可以命名的任何事物的任务。最近，大规模的视觉建模导致了开放式摄影片段的重大进展，但付出了巨大的成本，并增加了培训和注释工作。因此，我们询问是否可以使用现有的基础模型来合成特定类别集的按需有效分段算法，从而使其适用于开放式摄影库设置，而无需收集进一步的数据，注释或执行培训。为此，我们提出了Ovdiff，这是一种新颖的方法，它利用生成的文本对图像扩散模型来进行无监督的开放式摄影症。ovdiff合成支持任意文本类别的图像集，为每个类别及其周围环境（背景）创建一组原型。它仅依赖于预先训练的组件，并直接输出合成的分段，而无需训练。我们的方法在一系列基准上显示出很强的性能，在Pascal VOC上的先前工作中获得了超过5％的铅。
学习关节表面重建和分割，从大脑图像到皮质表面分割
从 MRI 重建和分割皮质表面对于广泛的大脑分析至关重要。然而，大多数方法遵循多步骤的缓慢过程，例如连续的球面膨胀和配准，这需要相当长的计算时间。为了克服由这些多步骤引起的限制，我们提出了 SegRecon，这是一种集成的端到端深度学习方法，只需一个步骤即可直接从 MRI 体积联合重建和分割皮质表面。我们训练一个基于体积的神经网络来预测每个体素到多个嵌套表面的有符号距离以及它们在图谱空间中对应的球面表示。例如，这对于联合重建和分割白质到灰质界面以及灰质到脑脊液（软脑膜）表面很有用。我们通过在 MindBoggle、ABIDE 和 OASIS 数据集上进行的一组全面实验来评估我们的表面重建和分割方法的性能。我们发现，重建误差小于 0.52 毫米，而与 FreeSurfer 生成表面的平均 Hausdorff 距离则小于 0.97 毫米。同样，分割结果显示，与 FreeSurfer 相比，平均 Dice 值提高了 4% 以上，此外，在标准台式机上，计算时间从几小时大幅加快到几秒。
区域通讯
新美国安全中心的一份新报告警告称，五角大楼的第一份预算缺乏明确的方向，这意味着它已经落后于它需要达到的水平。该报告由 Stacie Pettyjohn、Becca Wasser 和 Jennie Matuschak 撰写，基于一系列战争游戏，重点关注如果中国或俄罗斯违背美国伙伴或盟友的意愿对领土提出主权要求会发生什么。CNAS 团队尝试了三种不同的构想，一种是军队主要专注于与大国进行正面交锋，另一种是军队专注于日常的低级威慑。为什么要这样划分？因为从根本上讲，由于美国国防预算不太可能在短期内大幅增长，而且主要的现代化法案即将到期，拜登政府——以及美国——正处于一个转折点，必须决定放弃哪些任务。