XiaoMi-AI文件搜索系统
World File Search System合成图像
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
用于自主视线导航的高精度星跟踪器算法的设计和仿真。⋆
深空立方体卫星正成为普通航天器的宝贵替代品。它们的开发可以标志着太空探索的新纪元，由于任务成本明显降低，为许多太空领域参与者拓宽了可能性。为了正确利用微型探测器，自主导航是必不可少的支柱。在此框架中，视线 (LoS) 导航是深空巡航期间状态估计的宝贵选择。视线导航是一种光学技术，基于对可见天体（例如行星）的观测，这些天体的星历表是众所周知的。这些天体的方向是通过机载光学仪器（照相机或星跟踪器）获得的，并在导航滤波器中将其与机载存储的星历表检索到的实际位置进行比较。在机载上执行完整估计程序的可能性使该技术成为自主深空立方体卫星的有效候选者。导航精度尤其取决于两个特性：观测几何和视线方向提取精度 [1]。第一个取决于任务场景，它定义了可见物体及其相对几何形状。第二个取决于成像硬件、图像处理算法以及任务几何形状。尽管可以稍微调整任务以在有利的观测几何窗口期间发生 [2]，但通常它不够灵活，无法提高估计精度。因此，LoS 方向提取精度在整体导航性能中起着至关重要的作用。在此背景下，这项工作旨在正确生成合成星跟踪器图像，然后用于测试设计的 LoS 提取算法的性能。合成图像的生成取决于成像传感器和镜头的特性。对于星跟踪器，假设使用针孔相机模型。Hipparcos-2 目录用于检索可见恒星的方向，这些方向在传感器参考系中转换。恒星的视星等转换为传感器阵列上读取的光电子数量。此转换取决于传感器的特性（像素大小、填充因子、量子效率）、镜头直径和曝光时间。为了在恒星质心算法中达到亚像素精度，入射光被故意弄模糊，因此信息分散在不同的像素上。这是用高斯分布模拟的。行星的模拟不那么简单，因为形状和视星等都取决于观测几何。为了正确
使用生成对抗网络和临床脑成像中的验证从3T mprage合成了7T mprage：可行性研究
背景：超高场7T MRI可以提供出色的组织对比度和解剖学细节，但通常成本过高，并且在临床实践中不可广泛使用。目的：从广泛获取的3T图像中生成合成的7T图像，并评估这种方法的脑成像。研究类型：前瞻性。人口：33名健康志愿者和89例脑部疾病患者，分为训练，并以4：1的比例评估数据集。序列和场强：T1加权非增强或对比度增强的磁化准备快速采集梯度回声序列在3T和7T处。评估：开发了生成对抗网络（Syngan），以从3T图像作为输入中产生合成的7T图像。Syngan培训和评估是针对非增强和对比增强的配对采集进行的。通过5点李克特尺度评估了三位放射科医生在整体图像质量，人工制品，清晰度，对比度和可视化容器的整体图像质量，伪像，对比度和可视化船舶的定性图像质量以及合成的7T图像的定性图像质量。统计测试：Wilcoxon签名的等级测试将合成7T图像与获得的7T和3T图像以及类内相关系数进行比较，以评估观察者间的变异性。p <0.05被认为是显着的。结果：在122个配对的3T和7T MRI扫描中，有66个没有造影剂，而对比度为56。平均生成合成图像的时间为每片11.4毫秒（每个参与者2.95秒）。证据水平：2技术效率：第1阶段J. Magn。与非增强和对比度增强亚组中的3T图像相比，与3T图像相比，合成的7T图像显着改善了组织的对比度和清晰度。同时，根据非增强和对比增强子组的所有评估标准，获得的7T和合成7T图像之间没有显着差异（P≥0.180）。数据结论：深度学习模型具有与获得的7T图像相似的图像质量的合成7T图像的潜力。共振。成像2023。
使用生成的差异图
神经科学研究的当前重点是使用不同的数据获取方式列举，映射和注释整个脊椎动物大脑中的神经元细胞类型。将这些分子和解剖学数据集映射到公共参考空间中仍然是一个关键挑战。尽管存在几个脑部到ATLA映射工作流程，但它们并不能充分解决现代高通量神经影像学的挑战，包括多模式和多尺度信号，缺失的数据或非参考信号，以及单个变异的几何量化。我们的解决方案是实现一个生成统计模型，该模型描述了一个图像的一系列转换，描述了成像数据的可能性，以及一个最大的框架，用于捕获上述问题的未知参数的后验估计。我们方法中的关键思想是最大程度地减少合成图像量与这些参数的真实数据之间的差异。我们不仅将映射用作“归一化”步骤，我们以空前的方式实施了使用其局部度量变更的工具，以便将其局部度量变更作为几何量化技术和生物学来源的机会。虽然框架用于计算成对映射，但我们的方法特别允许在多模式数据集的链中简化组成。我们将这些方法应用于广泛的数据集中，包括体内和前体内MRI的各种组合，3D STP和最大数据集，2D序列组织学部分以及用于SNRNASEQ的BRAINS和BRAINS，并部分移除了组织。这项工作使整个大脑数据集的大规模集成在现代神经科学中至关重要。我们通过量化细胞密度和跨生物协变量的大脑形状波动的差异表征来显示生物实用性。我们注意到，个体变异的大小通常大于不同样品制备技术之间的差异。为了促进社区可访问性，我们将算法实现为开源，包括基于Web的框架，并实现输入和输出数据集标准。我们的工作建立了一个定量，可扩展和简化的工作流程，以统一一系列多模式的全脑光显微镜数据量，以分为基于坐标的ATLAS框架。
机器人捕获航天器的联合控制和导航方法
在轨服务（IOS）可以延长卫星的使用寿命，而实施主动碎片清除（ADR）以有效解决空间碎片问题的必要性已在航天界广为人知。在新一代传感器和控制系统的发展的推动下，实现此类任务的技术解决方案研究正在蓬勃发展。除了私营公司、航天机构和大学之外，欧洲航天局（ESA）几十年来一直在开发该领域的技术。多年来，人们提出了多种安全捕获轨道物体的解决方案，其中大多数依赖于机器人系统。一个有前途的选择是使用配备高度灵巧的机械臂的自主航天器（追逐者），该机械臂能够与驻留的空间物体对接。这一操作在接近阶段和接触后都带来了复杂的技术挑战。在这方面，设计一个有效、可靠、稳健的制导、导航和控制 (GNC) 系统对于确保安全执行任务起着关键作用，该系统可以实现多种算法架构和硬件配置。这项工作展示了由与 ESA 签订合同的大学联盟开展的研究活动的成果，该研究旨在开发 GNC 系统的导航和控制子系统，用于控制配备冗余机械手的追赶者。研究中考虑了捕获前的最终接近阶段和捕获后的目标稳定阶段。提出的解决方案旨在实施联合控制策略。采用稳健控制方法来设计控制律，以应对追赶者的不确定、非线性动力学以及捕获后完整的追赶者-目标堆栈。选择基于视觉的解决方案，即依靠主动/被动光电传感器，进行相对导航。用于相对和绝对导航的完整传感器套件是 GNC 系统的一部分，包括用于机器人关节测量的传感器。为了正确验证提出的解决方案，已经开发了一个完整的数值模拟器。该软件工具可以全面评估系统性能，考虑所有相关的外部干扰和误差源。真实的合成图像生成器也用于相对导航性能评估。本文介绍了设计解决方案和初步数值测试的结果，考虑了三种任务场景，以证明该解决方案的灵活性及其对各种操作情况的适用性。
纵向单...
为了最大程度地减少与强制施用相关的纵向成像和潜在风险的辐射暴露，采取了二维（2D）非对比度轴向轴向单板CT CT，而不是在临床实践中常见的三维（3D）体积CT。然而，很难在纵向成像中找到相同的横截面位置，因此在不同年内捕获的器官和组织存在实质性变化，如图1。在2D腹部切片中扫描的器官和组织与身体成分措施密切相关。因此，增加的位置差异可以准确地分析身体组成的挑战。尽管有这个问题，但尚未提出任何方法来解决2D切片中位置差异的问题。我们的目标是减少位置方差在人体组成分析中的影响，以促进更精确的纵向解释。一个主要的挑战是，在不同年内进行的扫描之间的距离是未知的，因为该切片可以在任何腹部区域进行。图像注册是在其他情况下用于纠正姿势或位置错误的常用技术。但是，这种方法不适合解决2D采集中的平面运动，其中一种扫描中出现的组织/器官可能不会出现在另一种扫描中。基于参考。13，图像协调方法分为两个主要组：深度学习和统计方法。值得注意的统计方法包括战斗14及其变体，15-17 Convbat，18和贝叶斯因子回归。19然而，与生成模型不同，统计方法通常缺乏对我们方案至关重要的生成能力。基于深度学习的现代生成模型最近在生成和重建高质量和现实的图像方面取得了重大成功。20 - 26生成建模的基本概念是训练生成模型以学习分布，以便生成的样品 ^ x〜pdð ^xÞ来自与训练数据分布x〜pdðxÞ的分布相同。27通过学习输入和目标切片之间的联合分布，这些模型可以有效地解决注册的局限性。变化自动编码器（VAE），28是一种生成模型，由编码器和解码器组成。编码器将输入编码为可解释的潜在分布，解码器将潜在分布的样本解码为新数据。生成对抗网络（GAN）20是另一种类型的生成模型，其中包含两个子模型，一个生成新数据的生成器模型和一个区分实际图像和生成图像的歧视器。通过玩这个两人Min-Max游戏，Gans可以生成逼真的图像。Vaegan 29将GAN纳入VAE框架中，以创建更好的合成图像。通过使用歧视器来区分真实图像和生成的图像，Vaegan可以比传统的VAE模型产生更真实和高质量的图像。但是，原始的vaes和gan遭受了缺乏对产生图像的控制的局限性。有条件的GAN（CGAN）30和CONDINATION VAE（CVAE）31解决了此问题，该问题允许生成具有条件的特定图像，从而对生成的输出提供了更多控制。但是，这些条件方法中的大多数都需要特定的目标信息，例如目标类，语义图或热图，在测试阶段32作为条件，这在我们的情况下是不可行的，因为我们没有任何可用的直接目标信息。