XiaoMi-AI文件搜索系统
World File Search System图像分析
医学中基于深度学习的面部图像分析...
摘要简介深度学习技术正在在医学研究中获得动力。证据表明，深度学习在图像识别和分类方面具有优势，例如在检测人们的医疗状况中的面部图像分析。尽管有积极的发现可用，但对医学环境中基于深度学习的面部图像分析的最新面貌知之甚少。为了考虑患者的福利和实践的发展，需要及时了解基于深度学习的面部图像分析所面临的挑战和机会。为了解决这一差距，我们旨在进行系统的审查，以确定医学研究中基于深度学习的面部图像分析的特征和影响。从这项系统的审查中获得的见解将为特征，挑战以及在疾病检测，诊断和预后应用的基于深度学习的面部图像分析中提供急需的理解。方法数据库，包括PubMed，Psycinfo，Cinahl，Ieexplore和Scopus，将在2021年9月以英文发表的相关研究搜索。标题，摘要和全文文章将被筛选以识别合格的文章。还将对随附文章的参考列表进行手动搜索。采用了系统评价和荟萃分析框架的首选报告项目来指导系统的审查过程。两位审稿人将独立检查引用并选择包含的研究。差异将通过小组讨论解决，直到达成共识为止。将根据本研究中采用的研究目标和选择标准提取数据。道德和传播作为研究是进行系统审查的协议，不需要伦理批准。研究结果将通过同行评审的出版物和会议演讲来传播。Prospero注册号CRD42020196473。
建立脑图像分析基础模型的方法
摘要。现有的用于脑图像分析的机器学习方法大多基于监督训练。它们需要大量的标记数据集，而这些数据集可能成本高昂甚至无法获得。此外，训练后的模型仅适用于标签定义的狭窄任务。在这项工作中，我们开发了一种基于基础模型概念的新方法来克服这些限制。我们的模型是一个基于注意力的神经网络，使用一种新颖的自监督方法进行训练。具体而言，该模型被训练以逐块方式生成脑图像，从而学习脑结构。为了便于学习图像细节，我们提出了一种新方法，该方法使用具有随机权重的卷积核对高频信息进行编码。我们在 10 个公共数据集上训练了我们的模型。然后，我们将该模型应用于五个独立的数据集，以执行分割、病变检测、去噪和脑年龄估计。结果表明，基础模型在所有任务上都取得了有竞争力或更好的结果，同时显著减少了所需的标记训练数据量。我们的方法能够利用大量未标记的神经影像数据集来有效地解决各种大脑图像分析任务，并减少获取标签的时间和成本要求。
医学图像分析中的可变形模型：一项调查
摘要 本文概述了可变形模型，这是一种前景广阔且研究颇多的计算机辅助医学图像分析技术。在基于模型的技术中，可变形模型提供了一种独特而强大的图像分析方法，它结合了几何、物理和近似理论。通过利用从图像数据中得出的（自下而上的）约束以及（自上而下的）关于这些结构的位置、大小和形状的先验知识，它们已被证明能够有效地分割、匹配和跟踪解剖结构。可变形模型能够适应生物结构随时间和不同个体而发生的显著变化。此外，它们还支持高度直观的交互机制，在必要时，医学科学家和从业者可以将他们的专业知识用于基于模型的图像解释任务。本文回顾了关于可变形模型的开发和应用的迅速发展的工作，这些工作涉及医学图像分析中的基本重要问题，包括分割、形状表示、匹配和运动跟踪。
实时套件的生物细胞图像分析软件
图1。在延时图像系列中跟踪合成标记的运动。该图介绍了通过DataSet Analysis开发的新颖软件（该软件包的演示视频可在datasetanalysis.com/synthetic-demo上查看），并使用Unity Technologies的游戏引擎进行。该图显示了合成标记运动运动的计算机视觉分析，这些运动模仿了活细胞荧光显微镜图像序列。位移向量颜色编码用于显示角方向以及运动速度。按钮选择允许更改显示首选项。在图上，黄色向右移动，也显示为黄色直方图的右峰内的黄色显示。同样，向左移动的向量是红色的，无论是在图像覆盖层上还是在屏幕右上角的双模式直方图的左峰内。第二个显示选项（未显示）将位移向量的颜色编码更改为显示不同的绿色阴影，具体取决于速度。在右侧的单峰直方图上观察大多数粒子移动较慢（左侧的绿色峰），而几个颗粒移动得非常快（右侧的深绿色分布尾巴）。有关每秒分析帧的实时信息，速度和角向量方向的平均值显示在屏幕的右下角。通过向跟踪模块提供特定于样本的输入，参数选择允许限制计算复杂性，以最大程度地减少跟踪误差并提供最快的分析结果。在屏幕的左侧，左上角有滑块，可以根据对分析样本中运动性质的先验知识来设置（i）检测到的颗粒数量的上限，（ii）基于粒子检测到的粒子检测率的水平，（ii）在粒子选择水平上，（iii）在粒子选择水平（III）中，（iii）是一个最小的距离（iii），这是一个最小的距离（iii）。分析的样品，以及（iv）粒子搜索半径的截止值，这限制了最大允许的位移；这是另一个参数，它是根据样本知识选择的。屏幕左下角的蓝色按钮可以通过显示分割或跟踪结果，单段轨道（仅在两个框架之间）或聚合的轨迹来更改屏幕显示的各个方面，如上所述，矢量颜色编码（红色/黄色的速度与绿色的红色速度为绿色不同）。我们将使用AI算法将当前的实时2D功能扩展到3D分析。
深度学习在医学图像分析中的障碍
摘要 - 深度学习的使用已彻底改变了疾病的检测，并使医疗保健领域中强大而精确的计算机辅助诊断工具创建了疾病。人工智能（AI）工具现在可以检测癌症，内部出血，断裂等，而无需人工干预，这要归功于深度学习。蓬勃发展的医疗保健行业面临着深度学习的严重风险。由于嘈杂的医学图像数据，用户和患者不信任以及与医学数据相关的道德和隐私问题，缺乏平衡的注释的医学图像数据，对深度神经网络和建筑的对抗性攻击，这是深度学习研究人员和工程师所面临的一些重大挑战，尤其是在医学图像诊断中。本文解决了这些问题。这项研究通过探索其在医疗保健中的潜在应用来定义AI的公众怀疑。
文章基于人工智能的隐私内容共享政策和图像分析
摘要：由于个人移动设备的普及，越来越多的不同类型的私人内容（例如图像和视频）在社交网络应用程序上共享。虽然内容共享可能是增强社会关系的有效做法，但它也是相关隐私问题的根源。不幸的是，用户很难理解应用程序和服务的隐私政策的条款和含义。此外，在社交网络上做出有关内容共享的隐私决策很麻烦，而且容易出错，从而导致隐私泄露。在本文中，我们提出了两种技术，旨在支持用户在线共享个人内容时做出隐私选择。我们的技术基于机器学习和自然语言处理来分析隐私政策，并基于计算机视觉来帮助用户在有隐私意识的情况下共享多媒体内容。使用真实数据进行的实验显示了我们解决方案的潜力。我们还介绍了正在进行的用于自然语言用户协助的系统原型和聊天机器人的工作。
使用机器学习技术进行图像分析和检测的特征提取
iii.i f Eature e xtraction存在许多特征提取的方法，本文将重点介绍三种方法：HOG，DCT和CNN。将选择这些方法的最佳结果以前进到下一阶段。HOG主要使用梯度提供有关图像内容的信息，尤其是对于边缘和角落，这些信息更适合对象检测。DCT主要用于将空间信息转换为频率信息，这些信息提供了有关图像质量的更多信息，并根据图像的频率参数对图像进行了分配。CNN主要用于图像分类。它适用于特征图像提取，因为它可以减少所需的参数数量，而不会以高精度影响图像质量。网络层是针对适合其他任务的大量图像的培训，尤其是对象识别。
使用人工智能的生物多样性标准化自动图像分析
多系统平滑肌功能障碍综合征（MSMDS）是由ACTA2基因突变引起的常染色体显性疾病，导致可变的临床表现和多器官功能障碍。间质肺疾病（ILD）是这种情况的罕见表型。我们描述了一个罕见的婴儿病例，该病例是一个8个月大的男孩，该病例逐渐恶化呼吸困难，以及自出生以来呼吸窘迫和氰化物的间歇性发作。胸部CT扫描显示ILD的典型迹象。此外，患者表现出先天性肌动病，主动脉缩写，PDA和肺动脉高压。全异常测序鉴定了从acta2基因中的从头变体c.536g> a（p.arg179his）。这些发现确认了MSMD的诊断。尽管基于医院的肺部护理和优化的治疗，但由于住院第12天的心脏和呼吸停滞而去世。该病例强调了在婴儿ILD的鉴别诊断中考虑MSMD的重要性。
考古学中的机载和航天遥感和数字图像分析 7
摘要 遥感在探测和绘制人类活动在景观中的考古痕迹方面有着悠久而成功的记录。自二十世纪初以来，航空考古的工具和程序逐渐发展，而地球观测遥感经历了技术和方法进步和创新的重大步骤，如今能够以前所未有的精度、分辨率和复杂性监测地球表面。在此过程中获得的大部分遥感数据可能包含有关考古遗址和物体的位置和背景的重要信息。考古学已经开始利用这一巨大潜力，开发基于数字遥感数据和相关工具和程序的考古痕迹探测和绘制新方法。本章回顾了考古遥感和数字图像分析的历史、工具、方法、程序和产品，强调了航空考古和地球观测遥感融合的最新趋势。
用于植物压力检测的高光谱图像分析
及早发现植物应激对于预防植物的终末应激和最大限度地减少急性和慢性生产力损失至关重要。损害的严重程度取决于从开始到检测的时间。在果园层面，任何补救措施的有效性都取决于及时发现和确定应激的原因。人类视觉是独特而全面的，但受个人对光的感知差异的影响，这导致对植物应激症状的颜色和模式的评估不一致。许多研究报告了对视觉应激评估的评级存在很大差异（Sherwood 等人，1983 年；Shokes 等人，1987 年；Weber 和 Jorg，1991 年；Nutter 和 Schultz，1995 年）。Fredericksen 和 Skelly（1994 年）报告称，在出现臭氧损伤的明显症状之前，净光合速率下降了 14%。遥感技术提供了一种评估植物压力的客观、一致的手段，并且能够记录可见光范围（400 – 700 nm）之外的较长波长中的重要光谱细节。