XiaoMi-AI文件搜索系统
World File Search System单次扫描
都灵理工学院
本论文介绍了增材制造技术的最新进展，重点介绍了金属基增材制造技术，并介绍了金属粉末的生产。然后，介绍了 17-4 PH 不锈钢，概述了其在增材制造工艺中的特性。论文的实验部分描述了 Prima Additive 的机器、所用的粉末原料，以及样品的生产、制备和特性。从粒度分布、流动性和振实密度等方面分析了原料粉末。观察到了出色的流动性，这对于 DED 应用至关重要。然后，在单次扫描轨道上进行顶部和横截面观察，确定了沉积效果和熔池的几何特征。发现了它们与工艺参数之间的一些相关性。从孔隙率、微观结构和硬度等方面分析了大块立方体的质量。一般来说，它们具有高硬度和良好的孔隙率值，即使几组参数显示出比其他参数更多的缺陷。总之，单次扫描分析可以排除最关键的工艺参数集，而通过海量立方体分析可以找到整体上最有希望的参数集。
中度或重度创伤性脑损伤后可能出现的微出血的放射学解释：一项纵向研究
摘要 简介 为了增强对创伤性脑损伤 (TBI) 后“可能的微出血”的放射学解释的确定性，我们评估了中度/重度 TBI 患者在 3-T SWI 上的纵向演变。方法 在 31 名患者中，分别在 TBI 后 3 周和 26 周进行标准化 3-T SWI 和 T1 加权成像。他们的微出血由计算机辅助检测，并由神经放射科医生在基线和随访时分别分类为无、可能或明确（单次扫描评估）。此后，在比较时间点后重新评估分类（比较后评估）。我们在单次扫描评估中选择了基线时的可能微出血，并在随访中记录了它们的比较后分类。结果 在基线的 1038 个微出血中，173 个为可能的微出血。其中，53.8% 在随访中无微出血。在随访中，30.6% 是可能的，15.6% 是确定的。在基线和随访之间的 120 个差异中，10% 显示出病理生理随时间变化的证据。接近轴外损伤和接近确定的微出血是随访中确定微出血的独立预测因素。重新分类级别因解剖位置而异。结论我们的研究结果支持在没有临床后果的情况下忽略可能的微出血。然而，在选定的病例中，可以考虑进行后续 SWI 扫描以排除发展为确定的微出血。
毫米波 MMIC 的设计创新 - Qorvo
在现代微波和毫米波通信系统的设计过程中，设计人员必须对器件（晶体管、电容器、电感器等）进行特性分析频率范围很广，从接近直流到远远超出设计的工作频率。器件特性分析过程会生成电路仿真中使用的模型，模型的准确性决定了仿真的准确性，从而决定了首次成功的机会。模型准确性的一个重要因素是器件特性分析远远超出电路的工作频率，在许多情况下，需要对远远超出 110 GHz 的频率进行特性分析。超宽带 VNA，例如具有 70 kHz 至 220 GHz 单次扫描功能的 VectorStar™ ME7838G，可提供业界领先的测量，并实现最佳器件特性分析，从而实现精确的模型和电路仿真。
通过缺失模态合成和模态级注意力融合进行多模态脑肿瘤分割
摘要 —多模态磁共振 (MR) 成像为诊断和分析脑胶质瘤提供了巨大潜力。在临床场景中，常见的 MR 序列（例如 T1、T2 和 FLAIR）可以在单次扫描过程中同时获得。然而，获取对比增强模态（例如 T1ce）需要额外的时间、成本和注射造影剂。因此，开发一种方法来合成不可用的模态具有临床意义，这些模态也可以用作下游任务（例如脑肿瘤分割）的额外输入以提高性能。在这项工作中，我们提出了一个端到端框架，称为模态级注意力融合网络 (MAF-Net)，其中我们创新地进行逐块对比学习以提取多模态潜在特征并动态分配注意力权重以融合不同的模态。通过在 BraTS2020 上进行大量实验，发现我们提出的 MAF-Net 具有优异的 T1ce 合成性能（SSIM 为 0.8879 和 PSNR 为 22.78）和准确的脑肿瘤分割（在分割肿瘤核心、增强肿瘤和整个肿瘤方面的平均 Dice 分数分别为 67.9%、41.8% 和 88.0%）。
脑密度聚类分析
fMRI 的最新研究重点是放宽大脑在实验过程中处于静态的假设。许多研究表明，在单次扫描过程中，大脑是随时间变化的（或动态的）（Chang and Glover，2010；Sakoglu 等人，2010；Hutchison 等人，2013；Calhoun 等人，2014；Faghiri 等人，2018；Lurie 等人，2020）。分析大脑动态方面的一种常用方法是使用滑动窗口结合连接估计器（例如 Pearson 相关）来估计随时间变化的连接（Handwerker 等人，2012；Allen 等人，2014）。这种方法很有用并且被广泛使用，部分原因是它很简单，但它也有一些局限性。对数据进行窗口化会导致 fMRI 中的时间信息变得平滑，可能会丢失重要信息。此方法的一个较小的问题是，必须使用特定的窗口长度进行此分析，而更改此窗口长度可能会改变最终结果（Sakoglu 等人，2010 年；Shakil 等人，2016 年）。为了解决平滑问题，已经提出了几种方法，这些方法要么更即时（Shine 等人，2015 年；Omidvarnia 等人，2016 年；Faghiri 等人，2020 年），要么使用不同的滤波和时频方法来探索连通性的全频谱（Chang 和 Glover，2010 年；Yaesoubi 等人，2015 年；Faghiri 等人，2021 年）。有关时变连通性的更详细评论，请参阅（请参阅 Bolton 等人，2020 年；Iraji 等人，2020a）。许多基于连接性的方法并不直接利用数据在其原始高维空间中的动态性（即，使用数据计算滑动窗口相关性，该相关性在每个组件对之间分别计算）。这导致需要在许多独立于其他 2D 空间的二维 (2D) 空间中检查数据（其中每个 2D 空间特定于一个组件对）。最近，有人提出了新方法，尝试使用不同的方法从这些 2D 空间转到更高维度（Faskowitz 等人，2020 年；Iraji 等人，2020b 年）。除了基于连接性的方法外，还有其他方法旨在直接从活动域信息中提取动态性。例如，隐马尔可夫模型已用于从 fMRI 中的活动数据中估计几个隐藏状态（Karahano˘glu 和 Van De Ville，2017 年；Vidaurre 等人，2018 年）。其他方法要么直接将活动信息纳入管道（Fu 等人，2021 年），要么专注于基于活动（如功率）计算的指标（Chen 等人，2018 年）。此外，还有一系列基于大脑不同部分之间共同激活的方法，它们也直接将活动信息纳入分析管道（Liu 和 Duyn，2013 年；Karahanoglu 和 Van De Ville，2015 年）。在过去十年中，许多研究使用静息状态（Damaraju 等人，2014 年；Guo 等人，2014 年；Faghiri 等人，2021 年）和任务 fMRI（Boksman 等人，2005 年；Ebisch 等人，2014 年）比较了精神分裂症患者的大脑与健康对照者的大脑。最近，人们更加重视探索大脑动态方面的方法（Damaraju 等人，2014 年；Kottaram 等人，2019 年；Giufford 等人，2020 年；Faghiri 等人，2021 年）。使用动态方法，一些研究报告称个体的活力较低