XiaoMi-AI文件搜索系统
World File Search System区域分割
使用 U-Net 自动分割胃肠道
摘要 — 医学图像处理极大地改变了医疗保健的格局，特别是在各种疾病的诊断和治疗方面。胃肠道 (GI) 癌症已成为一个快速增长的问题，估计每年报告的新病例有 500 万例。为了达到这种精度，医疗保健专业人员现在利用尖端的磁共振成像 (MRI) 模式，即 MR-Linacs，它可以提供肿瘤位置的每日视图。然而，这一过程中的一个瓶颈出现在从获得的医学图像中手动分割处于危险中的健康器官（如胃和肠）的过程中。这项由放射科医生执行的任务非常耗时，可能会大大延长治疗时间，从而加剧患者的痛苦。因此，胃肠道分割的自动化可以无缝地帮助肿瘤学家。我们的研究提出了一种自动分割胃肠道的模型。本研究提出了一个 U-Net 模型，可以从 MRI 扫描中分割胃和肠。该数据集来自威斯康星大学麦迪逊分校卡博内癌症中心，包含用于训练注释的 RLE 编码掩码以及 16 位灰度 PNG 图像。每个病例包含多个扫描切片，按时间或整个病例分割。我们的方法使用了 U-Net 上的各种损失函数组合来提高胃肠道自动分割的准确性和效率。与其他损失函数相比，我们的模型使用 Dice+BCE 损失函数实现了较高的准确性。在训练数据集上，采用 Dice+BCE 损失函数的 U-Net 模型获得了最高的骰子分数 0.9082 和 IOU 分数 0.8594。在验证数据集上，该模型的骰子分数为 0.8974，交并比 (IoU) 分数为 0.8181。这项研究有助于解决与手动胃肠道分割相关的挑战，通过使用深度学习技术进行自动分割提供了可行的解决方案。关键词 — 磁共振成像 (MRI)、组合损失函数、U-Net、威斯康星大学麦迪逊分校 Carbone 癌症中心、胃肠道分割
通过逐步学习的电池单元的一声分割
由于电动汽车和电池储能系统的重要性日益严重，因此必须在生产过程中和生产后确保电池安全性。一个方面是内部结构的可视化，可以通过计算机断层扫描（CT）作为一种非破坏性测试（NDT）方法来实现。深度学习工具可以快速学习和执行不同的图像处理任务。但是，在大多数设置中，生成训练这些工具所需的标记数据很昂贵。因此，这项工作通过逐步学习（GL）解决了CT体积中阳极和阴极的分割，该技术仅需要单个注释的体积切片。该技术利用了相邻切片之间的高相似性，并应用于电池堆栈细胞和圆柱形细胞。对于堆栈细胞，使用了平移相似性，这导致平均增益比联合（IOU）点相交0.09。对于圆柱细胞，提出了沿旋转中心切片的顺序分割。这导致GL应用之前的堆栈单元的较高初始IOU为0.78 vs. 0.73。对于圆柱细胞类型的GL的IOU增益为0.01 iOU点较小，但由于去除其余的伪影时，定性样品显示出改善。
一种脑肿瘤分割的持续学习方法
脑肿瘤的特征是脑组织异常生长，因其对全球发病率和死亡率的影响而成为一项重大的医学挑战。脑肿瘤有多种表现形式，从良性到恶性，后者尤其具有侵袭性且易于转移 (1)。脑肿瘤的病因复杂，包括放射线暴露、遗传易感性和家族史等因素，因此需要早期发现和准确诊断 (2)。在脑肿瘤诊断领域，磁共振成像 (MRI) 因其更高的空间分辨率和软组织对比度而成为优于计算机断层扫描 (CT) 的检查方式。这使得 MRI 成为脑肿瘤病例术前评估、治疗管理和生存预测所必需的 (3)。然而，MRI 扫描中传统的手动分割方法虽然是黄金标准，但却存在固有的效率低下和主观差异性，因此有必要探索自动化技术 (4、5)。近年来，深度学习模型（例如 Ma 等人提出的模型）在自动脑肿瘤分割方面取得了重大成功。这些模型擅长捕捉局部和全局上下文特征，但通常会遇到梯度消失和过拟合的问题，尤其是在较深的网络层中。Kumar 等人（7）通过将 ResNet50 与全局平均池化相结合来解决这些问题，以增强各种肿瘤类型的肿瘤分类。在此基础上，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。
皮质钙动力学的数据驱动分割
在整个大脑半球体上神经元钙通量的经颅视频中解散信号是在映射皮质组织特征之前的关键步骤。在这里我们揭示了独立的成分分析可以最佳地恢复神经信号的含量，以捕获的神经元记录，以最小采样率为1.5×10 6像素，每100毫秒框架以17分钟的速度以1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1。我们表明，从组件获得的一组空间和时间指标可用于构建一个随机的森林分类器，该分类器可自动以人为性能分离神经活动和伪影组件。使用此数据，我们建立了小鼠皮层的功能分割，以每个半球体提供〜115个域的图，其中提取的时间课程最大地表示每个记录中的基本信号。域图显示了大量的区域基序，高阶皮质区域呈现出较大的怪异结构域，而较小的圆形域则是原发性感觉区域中的较小圆形区域。数据驱动的视频分解和信号源的机器层化的工作流程可以极大地增强复杂脑动力学的高质量映射。
鸟类眼睛视图语义分割
对环绕声的语义的空间理解是自动驾驶汽车需要安全驾驶决策所需的关键能力。最近，纯粹基于视觉的解决方案已增强了研究的兴趣。在特定的方法中，从多个摄像机中提取鸟类视图（BEV）的方法表现出了很好的空间理解性能。本文介绍了学习的位置编码的依赖性，以将基于变压器的甲基化的图像和BEV特征映射元素关联。我们提出利用外两极的几何约束，以模拟相机注意场与BEV之间的关系。它们被纳入注意机制中，作为一种新的归因术语，是学习位置编码的替代方案。实验表明，与隐式学习摄像机配置相比，我们的方法的大鹰队以2％MIOU的方式优于2％MIOU的BEV方法，并且具有出色的概括能力。
NICOL机器人的对象检测和分割
本报告在德国汉堡大学的知识技术研究小组中介绍了我的四个月实习。这项实习的目标是在与Nicol机器人的对象检测领域中找到一个研究主题，并在此主题上工作。实习涉及使用ROS和凉亭在模拟环境中的开发和测试，在Nicol机器人上实施3D摄像机以及对象探测器的研究。此多学科实习包括研究小组中的模拟，材料集成，项目手势和协作。最后，他为改善我对英语的掌握，演讲技巧以及为我提供了出色的跨文化经验做出了贡献。
一种稳健且准确的基于深度学习的方法
结果：所提方法表现出更好的泛化性能，可以获得对所有结构的稳定准确率，而最新的深度学习方法对于某些结构的准确率极低。所提方法对所有样本都进行了分割，准确率明显高于传统方法，例如 3D U-Net、FreeSurfer 和脑功能性磁共振成像 (FMRIB) 软件库中的集成配准和分割工具 (FSL-FIRST)。此外，当将所提方法应用于较大的数据集时，可以对所有样本进行稳健的分割，而不会在明显不同于解剖相关区域的区域产生分割结果。另一方面，FSL-FIRST 对大约三分之一到四分之一的数据集在明显不同于解剖相关区域的区域产生了分割结果。
KCNQ1的内含子1包含一个调节区域，该区域...
图1。识别KCNQ1基因座中预测的调节元件。a）UCSC基因组浏览器视图描述了第一个内含子使用情况不同的KCNQ1的两个同工型，而KCNQ1OT1则是该位点中长的非编码RNA。同工型下方的轨道表示来自GWA的QT间隔相关的SNP，其位置在所有轨道中都延伸到灰色条上。出现的轨道描绘了基于心脏特异性数据集的预测调节元件，最低的三个轨道描绘了组蛋白公开可用的芯片seq实验的测序读取，标志着来自两个人类左心室的H3K27AC，并留下ATRIA ATRIA ATAC-SEQ-SEQ-seq实验。b）小鼠中KCNQ1基因座的UCSC基因组浏览器视图，其先前表征的远景增强子在KCNQ1的内含子1中。较低的两个曲目描绘了从胚胎第15天公开可用的小鼠心脏和前脑的ATAC-SEQ数据集的测序读数。
动画关键区域：海狸作为关键区域工程师
海狸（Castor Canadensis）尚未充分包含在关键区域研究中，但它们可能会影响河走廊整个水生界面的多个关键区域过程。河流走廊（RC）提供了不成比例的生态系统服务。随着时间的流逝，海狸活动，包括木质植被，挖洞，大坝建设和遗弃，可以通过影响景观进化，生物多样性，地貌，水文学，初级生产力和生物地球化学循环来影响河走廊的关键区域过程。，它们可以有效地恢复河岸地区的退化区域并改善水质和数量，从而对许多重要的生态系统服务产生影响。海狸介导的河流走廊在不断变化的情况下需要调查，以确定未来河流走廊功能和关键区域过程将如何变化。最近可以通过将海狸等动物（例如海狸）的明确纳入动物（例如时空和时间）进入研究项目来增强临界区观点来推进河流走廊研究的最新呼吁。本文说明了海狸如何修改不同时空尺度上的关键区域，提供了研究机会，以阐明海狸在影响美国西部生态系统中的作用，并且更广泛地证明了将动物整合到关键区域科学中的重要性。
对执行白质学分割的自动化方法的系统综述
白质区域分割是一个关键的研究领域，该研究领域利用扩散加权的磁共振成像（DMRI）来识别和映射单个白质区域及其轨迹。本研究旨在提供有关脑DMRI扫描中白质区域分割的自动化方法的全面系统文献综述。有关PubMed的文章，ScienceDirect [神经图像，神经图像（临床），医学图像分析]，Scopus和IEEExplore数据库以及医学成像计算和计算机辅助干预协会（MICCAI）（MICCAI）（MICCAI）和国际生物医学成像（ISBI）的国际审核组织（ISBI）的会议记录。此系统搜索和评论确定了619篇文章。使用查询“白质区分割或纤维道识别或纤维束分割或拖拉术解剖或白质分割或区域分割”来遵守指定的搜索标准。其中，有27％采用基于直接体素的方法，25％应用基于流线的聚类方法，20％使用基于流线的分类方法，14％实施了基于ATLAS的方法，以及14％使用的混合方法。本文深入研究了与每个类别相关的研究差距和挑战。此外，这篇评论论文阐明了最常使用的公共数据集，以进行管段分割及其特定特征。此外，它提出了评估策略及其关键属性。审查以详细讨论该领域的挑战和未来方向进行了详细讨论。