XiaoMi-AI文件搜索系统
World File Search System区域分割
增强雾检测和自由空间分割
摘要 汽车导航严重依赖于自由空间检测。不幸的是，传统方法在恶劣的天气条件下会遇到困难，尤其是在白天。本文提出了一种解决方案，使用对比度恢复方法对车载摄像头捕获的图像进行处理。在几个方面，所提出的方法都推动了现有技术的进步。首先，通过计算最短路线图，可以更好地分割感兴趣的雾区域。其次，一起计算雾密度和地平线位置。然后，该方法通过假设道路平坦并检测垂直物体来恢复道路的对比度。最后，通过分割车辆前方的连通分量来确定自由空间区域。为了预测该方法的有效性，进行了实验验证。在从车载摄像头捕获的视频序列中提取的样本图像上显示了各种结果。所提出的方法是对依赖颜色分割和立体视觉的现有自由空间区域检测方法的补充。
语义分割 - 易手式 - 合成 -
图像分割是计算机视觉中的一个基本问题，涉及将图像分为多个段或区域，以简化表示形式，并使其对分析更有意义。在对象识别，医学成像和自动驱动器之类的任务中至关重要，其中理解图像中不同对象的空间组织至关重要[3，4]。在图像分割的背景下经常引用的一项基础工作是Long等。的完全卷积网络（FCN）用于半分割[6]。本文通过对CNN进行适应Pixel的预测而无需任何完全连接的层，从而彻底改变了该领域，从而实现了端到端训练并了解任意大小的图像。这种方法为随后的分割方法中的许多后续发展奠定了基础。变压器模型的引入为处理图像分割任务带来了新的视角，该任务在传统上以卷积网络为主导。Xie等人的Seg-前论文。[7]集成了专门针对半分割需求量身定制的变压器体系结构。segformer在其层次变压器编码中脱颖而出，该编码器有效地处理多尺度特征，对于在准确的分割所需的可变分辨率下捕获详细上下文至关重要。
抓紧的无实际监督的细粒度分割
自动从单个深度进一步检测可抓地的区域是布操作中的关键要素。布料变形的巨大变异性促使当前大多数方法专注于识别特定的握把而不是半偏零件，因为当地区域的外观和深度变化比较大的区域更小，更易于建模。但是，诸如折叠或辅助敷料之类的任务需要识别较大的细分市场，例如语义边缘带有更多信息，而不是点。因此，我们首先仅使用深度图像来解决变形衣服中细粒区域检测的问题。我们实施了T恤的方法，并最多定义了多达6个不同程度的语义区域，包括领口，袖袖和下摆的边缘，以及顶部和底部的握把。我们引入了一个基于U-NET的网络，以细分和标记这些部分。我们的第二个贡献与培训拟议网络所需的监督水平有关。大多数方法都学会
土地分割初步规划检查表
附近草图通常以 1 英寸 = 1,000 英尺的比例绘制，但如果没有这种地图，也可以接受 1:24,000 比例的美国地质调查局地图。附近草图应描绘所有相邻分区的地块线和名称、拟议分区地块约半英里范围内街道、公路、天然溪流和湿地的位置；约半英里范围内所有相邻公用设施系统的位置，流经拟议分区的溪流的自然排水路线，并在合理的情况下标明支流区域的边界。根据本小节提交的所有地图都应明确标明包含地图主题土地的区域、乡镇和范围。
使用三维模型对脑肿瘤进行分割...
在包含胶质母细胞瘤的 MRI 图像中，我们考虑了全自动脑肿瘤分割的问题。我们建议采用 3D MedImg-CNN（三维卷积神经网络）方法，该方法在实现高效率的同时实现了高结果，这是当前技术难以实现的组合。我们的 3D MedImg-CNN 直接在原始图像模态上形成，因此可以直接从数据中学习特征表示。我们建议采用两种通路的新型级联架构，每种通路都提供肿瘤细节模型。充分利用我们模型的卷积特性也有助于我们在一分钟内分割出完整的大脑图像。建议的 3D MedImg-CNN 与 CNN 分割系统的效率是使用骰子相似系数 (DSC) 确定的。在 2013 年、2015 年和 2017 年 BraTS 数据集上进行的实验表明，所提出的方法在文献中占主导地位，因为它是最有效的方法之一。关键词 脑肿瘤、卷积神经网络、深度学习、分割
脑肿瘤分割与分类：十年回顾
图像分割是数字图像处理和分析中的一种常见技术，它通常基于像素的属性将图像划分为多个区域或区域。脑肿瘤分割是医学图像处理中的一项关键任务。早期识别脑肿瘤可以增强治疗选择并增加患者的生存机会。从医疗中获得的大量 MRI 图像中进行脑部分割对于癌症诊断和其他脑部疾病来说是一项具有挑战性且耗时的任务。这就是为什么建立一个有效的自动图像分割系统对于诊断脑肿瘤和其他常见的神经疾病至关重要。本研究的目标是对基于 MRI 的脑肿瘤分割方法进行系统回顾。近年来，深度学习技术已被证明可用于自动分割并获得了突出地位，因为这些方法产生了更好的结果，因此比其他方法更适合这项任务。深度学习算法也可用于快速客观地处理大量基于 MRI 的图像数据。有许多关于传统基于 MRI 的脑肿瘤图像分割算法的综述论文。
无需分割的自动化血管矢量化
双光子荧光显微镜 (2PM) 的最新进展使得活体小鼠的血管网络大规模成像和分析成为可能。然而，提取密集毛细血管床的网络图和矢量表示仍然是许多应用中的瓶颈。血管矢量化在算法上很困难，因为血管具有多种形状和大小，样本通常光照不均匀，并且需要较大的图像体积才能获得良好的统计能力。最先进的三维血管矢量化方法通常需要分割（二值）图像，依赖于手动或监督机器注释。因此，逐体素图像分割会受到人类注释者或训练者的偏见。此外，分割图像通常需要在骨架化或矢量化之前进行补救形态学过滤。为了解决这些限制，我们提出了一种矢量化方法，可从未分割图像中直接提取血管对象，而无需机器学习或训练。 MATLAB 中的无分割自动化血管矢量化 (SLAVV) 源代码已在 GitHub 上公开提供。这种新方法使用简单的血管解剖模型、高效的线性滤波和矢量提取算法来消除图像分割要求，用手动或自动矢量分类取而代之。半自动化 SLAVV 在小鼠皮层微血管网络（毛细血管、小动脉和小静脉）的三个体内 2PM 图像体积上进行了演示。矢量化性能已被证明对于血浆或内皮标记对比度的选择具有稳健性，并且处理成本与输入图像体积成比例。全自动 SLAVV 性能在不同质量的模拟 2PM 图像上进行评估，所有图像均基于大（1.4 × 0.9 × 0.6 mm 3 和 1.6 × 10 8 体素）输入图像。从自动矢量化图像计算出的感兴趣的血管统计数据（例如体积分数、表面积密度）比从强度阈值图像计算出的统计数据具有更高的图像质量稳定性。
脑肿瘤分割的聚集和注意网络
抽象背景：神经胶质瘤是一种恶性脑肿瘤；它的位置很复杂，很难通过手术去除。诊断性脑肿瘤，医生可以使用医学图像精确地诊断和定位该疾病。 然而，计算机辅助诊断的脑肿瘤诊断仍然是问题，因为脑肿瘤的粗糙分割使肿瘤的内部成绩不正确。 方法：在本文中，我们提出了一个用于脑肿瘤分割的聚集和注意网络。 提出的网络将U-NET作为主链，汇总多尺度语义信息，并专注于至关重要的信息以执行脑肿瘤分割。 为此，我们提出了一个增强的下采样模块和上采样层，以补偿信息损失。 多尺度连接模块是结构编码器和解码器之间的多触发语义融合。 此外，我们设计了一个双重注意融合模块，该模块可以提取和增强磁共振成像的空间关系，并在所提出的网络的不同部分中应用深度监督的策略。 结果：实验结果表明，与ART网络相比，提出的框架的性能是BRATS2020数据集中最好的。 所提出的框架的性能超过了所有比较网络，其四个索引的平均精度分别为0.860、0.885、0.932和1.2325。 关键词：脑胶质瘤，图像分割，医学诊断，卷积神经网络诊断性脑肿瘤，医生可以使用医学图像精确地诊断和定位该疾病。然而，计算机辅助诊断的脑肿瘤诊断仍然是问题，因为脑肿瘤的粗糙分割使肿瘤的内部成绩不正确。方法：在本文中，我们提出了一个用于脑肿瘤分割的聚集和注意网络。提出的网络将U-NET作为主链，汇总多尺度语义信息，并专注于至关重要的信息以执行脑肿瘤分割。为此，我们提出了一个增强的下采样模块和上采样层，以补偿信息损失。多尺度连接模块是结构编码器和解码器之间的多触发语义融合。此外，我们设计了一个双重注意融合模块，该模块可以提取和增强磁共振成像的空间关系，并在所提出的网络的不同部分中应用深度监督的策略。结果：实验结果表明，与ART网络相比，提出的框架的性能是BRATS2020数据集中最好的。所提出的框架的性能超过了所有比较网络，其四个索引的平均精度分别为0.860、0.885、0.932和1.2325。关键词：脑胶质瘤，图像分割，医学诊断，卷积神经网络结论：拟议框架的框架和模块是科学和实用的，可以提取和汇总有用的语义信息并增强神经胶质瘤分割的能力。
磁性胶质瘤分割的智能方法......
Sohail N.、Anwar S.、Majeed F.、Szczerbicki E.，使用改进的卷积网络架构 (U-NET) 进行磁共振成像中胶质瘤分割的智能方法，控制论与系统 (2021)，第 1-23 页，DOI：10.1080/01969722.2020.1871231
探索脑肿瘤分割和患者生存
摘要 使用人工智能从 MRI 图像中检测和描绘脑肿瘤是医学 AI 面临的一项复杂挑战。最近的进展见证了各种技术被用于协助医疗专业人员完成这项任务。尽管机器学习算法在分割肿瘤方面很有效，但它们在决策过程中缺乏透明度，阻碍了信任和验证。在我们的项目中，我们构建了一个可解释的 U-Net 模型，专门用于脑肿瘤分割，利用梯度加权类激活映射 (Grad-CAM) 算法和 SHapley 加法解释 (SHAP) 库。我们依靠 BraTS2020 基准数据集进行训练和评估。我们采用的 U-Net 模型产生了有希望的结果。然后，我们利用 Grad-CAM 在图像中可视化模型关注的关键特征。此外，我们利用 SHAP 库来阐明用于预测患者生存天数的各种模型（包括随机森林、KNN、SVC 和 MLP）的预测，从而增强了可解释性。