XiaoMi-AI文件搜索系统
World File Search System噪声消除
使用模糊 Otsu 阈值进行脑肿瘤分割...
摘要 —本文提出了一种通过模糊 Otsu 阈值形态 (FOTM) 算法分割脑肿瘤的方法。由于脑肿瘤的增加，获取的磁共振成像 (MRI) 数量也相应增加。因此，能够自动分割和检测脑肿瘤的高精度算法将对治疗计划和诊断具有潜在的潜力。为了解决这个问题，提出了一种利用 FOTM 算法从最不对称的部分分割脑肿瘤的新方法。此外，使用颜色归一化、噪声消除和强度偏差校正作为预处理阶段，虽然这在 FOTM 算法中并不常见，但与数据分割一起证明对于 MRI 图像中脑肿瘤的分割非常成功。结果清楚地表明，图像神经胶质瘤、图像脑膜瘤和图像垂体的平均准确度指数分别为 93.77%、94.32% 和 94.37%。索引术语——脑肿瘤、分割、FuzzyOtsu 阈值、形态学。
使用便携式低场 MRI 进行脑成像
便携式低场磁共振成像 (LF-MRI) 的出现预示着神经成像的新机遇。低功耗要求和便携性使得扫描可以在传统磁共振成像套件的受控环境之外进行，从而增强了对现有技术不太适合的适应症的神经成像的访问。最大限度地利用从 LF-MRI 降低的信噪比中提取的信息对于开发临床有用的诊断图像至关重要。电磁噪声消除和稀疏 k 空间数据的机器学习重建算法的进展以及新的图像增强方法现已促成这些进步。将技术创新与床边成像相结合，为可视化健康大脑和检测急性和慢性病理变化创造了新的前景。硬件的持续开发、脉冲序列和图像重建的改进以及临床实用性的验证将继续加速这一领域的发展。随着进一步的创新，便携式 LF-MRI 将促进 MRI 的民主化并创造传统系统以前无法实现的新应用。
大脑成像具有便携式低场MRI
便携式低场MRI（LF-MRI）的出现，预示着神经影像学的新机会。低功率要求和可运输能力已使传统MRI套件的受控环境之外进行扫描，从而增强了对不适合现有技术的指示的神经影像的访问。最大化从LF-MRI的信噪比降低的信息中提取的信息对于开发临床上有用的诊断图像至关重要。电磁噪声消除和机器学习重建算法的进展来自稀疏K空间数据以及图像增强的新方法，现在已经实现了这些进步。耦合技术创新与床边成像为可视化健康的大脑并检测急性和慢性病理变化时创造了新的前景。正在进行的硬件的开发，脉冲序列和图像重建的改进以及临床实用程序的验证将继续加速该领域。随着进一步的创新发生，便携式LF-MRI将促进MRI的民主化，并创建以前不可能使用常规系统可行的新应用。
更智能的燃气涡轮发动机 - NATO STO
摘要 2-1 2.1 简介 2-1 2.2 主动控制的总体思路 2-1 2.3 组件技术 2-6 2.3.1 进气口 2-6 2.3.1.1 主动进气口控制 2-6 2.3.1.2 主动噪声抑制 2-8 2.3.1.3 主动噪声消除 2-8 2.3.2 风扇和压缩机 2-8 2.3.2.1 组件要求 2-8 2.3.2.2 主动喘振控制 2-9 2.3.2.3 主动流量控制 2-11 2.3.2.4 主动间隙控制 2-13 2.3.2.5 主动振动控制 2-14 2.3.3 燃烧室 2-15 2.3.3.1 简介 2-15 2.3.3.2 控制过程的物理原理 2-16 2.3.3.3 主动燃烧控制的最新进展 2-17 2.3.3.4 AIC 控制组件 2-18 2.3.4 涡轮 2-19 2.3.4.1 组件要求 2-19 2.3.4.2 主动间隙控制 2-20 2.3.4.3 冷却空气控制 2-22 2.3.4.4 主动流量控制 2-23 2.3.4.5 可变涡轮容量 2-24 2.3.5 喷嘴 2-24 2.3.5.1 主动噪声控制 2-24 2.3.5.2 自适应喷嘴 2-26 2.3.5.3 推力矢量 2-27
使用有源电感和 1 /f 噪声消除的宽带低功耗 RF 至 BB 电流复用接收器，适用于 L 波段应用
摘要 本文提出了一种低功耗宽带射频到基带 (BB) 电流复用接收器 (CRR) 前端，它同时利用了 1/f 噪声消除 (NC) 技术和有源电感器 (AI)，工作频率为 1 GHz 至 1.7 GHz，适用于 L 波段应用，包括那些需要高调制带宽的应用。CRR 前端采用单电源，并与 BB 电路共享低噪声跨导放大器 (LNTA) 的偏置电流，以降低功耗。为了最大限度地减少下变频之前射频 (RF) 信号的损失，高阻抗 AI 电路将混频器输入与 CRR 输出节点隔离。1/f NC 电路可抑制泄漏到输出的 LNTA 低频噪声。带有 gm 增强的共栅极 LNTA 以及单端到差分 LC 平衡-不平衡转换器用于增强输入匹配、变频增益和噪声系数 (NF)。所提出的接收器采用 TSMC 130 nm CMOS 工艺制造，占用有效面积为 0.54mm 2 。输入匹配 (S 11 ) 在 1 GHz 至 1 . 7 GHz 范围内低于 − 10 dB。在本振 (LO) 频率为 1 . 3 GHz、中频 (IF) 为 10 MHz 和默认电流设置下，CRR 实现了 41 . 5 dB 的转换增益、6 . 5 dB 的双边带 (DSB) NF 和 − 28.2 dBm 的 IIP3，同时消耗 1.66 mA 电流，电源电压为 1 . 2 V。
使用机器学习检测脑肿瘤
摘要：随着对自动化、可靠、快速和高效诊断的需求不断增长，医学成像变得越来越重要，这种诊断可以比人眼更好地洞察图像。脑瘤是 20 至 39 岁男性癌症相关死亡的第二大原因，也是同年龄段女性癌症的主要原因。脑瘤很痛苦，如果治疗不当，可能会导致各种疾病。肿瘤的诊断是其治疗的一个非常重要的部分。鉴别在良性和恶性肿瘤的诊断中起着重要作用。全球癌症患者数量增加的主要原因是对早期肿瘤治疗的忽视。本文讨论了一种机器学习算法，该算法可以使用脑 MRI 为用户提供有关肿瘤的详细信息。这些方法包括图像的噪声消除和锐化以及基本形态函数、侵蚀和扩张，以获得背景。从不同的图像集中减去背景及其负片可提取年龄。绘制肿瘤及其边界的轮廓和 c 标签为我们提供了与肿瘤相关的信息，有助于更好地可视化诊断病例。此过程有助于识别肿瘤的大小、形状和位置。它帮助医务人员和患者通过不同高度的不同颜色标签了解肿瘤的严重性。肿瘤轮廓及其边界的 GUI 可以在用户选择按钮单击时向医务人员提供信息。关键词：分类、卷积神经网络、特征提取、机器学习、磁共振成像、分割、纹理特征。
采用酶促碎裂法制备文库所得的测序产物
DNA 片段化是基于杂交捕获的短读测序中文库制备过程中的一个基本步骤。迄今为止，人们一直使用超声波来制备适当大小的 DNA，但这种方法会导致大量 DNA 样本损失。最近，研究采用了依赖于 DNA 内切酶酶促片段化的文库制备方法来最大限度地减少 DNA 损失，尤其是在纳米量样本中。然而，尽管它们被广泛使用，但酶促片段化对所得序列的影响尚未得到仔细评估。在这里，我们对使用超声波和酶促片段化方法制备的相同肿瘤 DNA 样本的体细胞变异进行了成对比较。我们的分析显示，与通过超声波创建的文库相比，内切酶处理的文库中反复出现的人工 SNV/indel 数量要多得多。这些人工制品以基因组背景下的回文结构、测序读取中的位置偏差和多核苷酸替换为标志。利用这些独特的特性，我们开发了一种过滤算法，可以高特异性和灵敏度地区分真正的体细胞突变和人为噪声。噪声消除恢复了肿瘤样本中突变特征的组成。因此，我们提供了一种信息学算法来解决因内切酶介导的碎片化而产生的测序错误，这是本研究中首次强调的。
生成对抗网络在脑部 MRI 中的作用
摘要 如果提供足够的数据，人工智能 (AI) 在脑部 MRI 方面的性能可以提高。生成对抗网络 (GAN) 显示出巨大的潜力，可以生成能够捕捉真实 MRI 分布的合成 MRI 数据。此外，GAN 还广泛用于脑部 MRI 图像的分割、噪声消除和超分辨率。本范围界定审查旨在探索文献中报道的 GAN 方法如何用于脑部 MRI 数据。本审查描述了 GAN 在脑部 MRI 中的不同应用，介绍了最常用的 GAN 架构，并总结了公开可用的脑部 MRI 数据集，以推进基于 GAN 的方法的研究和开发。本审查遵循 PRISMA-ScR 的指导方针进行研究搜索和选择。搜索是在五个流行的科学数据库上进行的。两名独立审阅者对研究进行筛选和选择，然后由第三名审阅者进行验证。最后，使用叙述方法合成数据。本综述共纳入了 789 个搜索结果中的 139 项研究。GAN 最常见的用例是合成脑 MRI 图像以进行数据增强。GAN 还用于分割脑肿瘤并将健康图像转换为患病图像或将 CT 转换为 MRI，反之亦然。纳入的研究表明，GAN 可以提高用于脑 MRI 成像数据的 AI 方法的性能。然而，需要付出更多努力才能将基于 GAN 的方法转化为临床应用。关键词：人工智能、数据增强、生成对抗网络、磁共振成像、医学成像
题为“基于星载和低空空中/无人机平台的高光谱遥感——方法、数据处理方法和应用方面的差异”的特刊社论
如今，已有多种基于星载和低空空中/无人机平台的高光谱遥感传感器可用于地球科学应用，具有多种光谱和空间分辨率[1-4]。高光谱遥感图像的发展促进了新型图像处理技术的发展，并在土壤地球化学、水质评估、森林物种制图、农业压力、矿物蚀变制图等广泛领域取得了令人欣喜的成果。在过去的二十年里，不同的空间机构发射了多个星载高光谱传感器（例如，美国国家航空航天局 (NASA) 于 2000 年 11 月发射的 Hyperion；日本宇宙航空研究开发机构 (JAXA) 于 2019 年 12 月发射的高光谱成像仪套件 (HISUI)；意大利航天局 (ASI) 于 2019 年 3 月发射的高光谱应用任务前体探测器 (PRISMA)）[1,5,6]。这些传感器充分利用了高光谱数据，并带来了从噪声消除到光谱制图等数据处理方法的创新。先前的研究强调了高光谱星载传感器在识别纯目标和识别具有弱光谱特征的光谱目标方面的局限性，因为这些高光谱传感器具有粗空间分辨率（通常为 20 m 至 30 m）和较差的信噪比（例如，Hyperion 在短波电磁域中的信噪比 (SNR) 较差）[7-10]。然而，这些星载传感器在环境监测方面取得了令人鼓舞的结果（例如，森林覆盖分类、检测森林的物候变化、土地利用/土地覆盖制图、农业土地覆盖表征、作物压力估计、岩性和矿物制图 [11-13]）。高光谱图像处理解决了与分类方法相关的主要困难，例如相关数据的高维性和标准处理技术的有限可用性[14]。为了克服这些局限性，最近建立了几种机器学习算法，补充了高光谱数据处理的巨大潜力[14]。由于星载高光谱传感器缺乏全球覆盖，不同国家使用不同的先进高光谱传感器进行常规的基于飞机和无人机的高光谱调查，例如先进的可见红外光谱仪（AVIRIS）及其最新版本AVIRIS-下一代（AVIRIS-NG）；HyMap；数字机载成像光谱仪（DAIS）等。这些传感器能够收集