XiaoMi-AI文件搜索系统
World File Search System图像处理
组合技术和相关图像处理，用于弹性体中包含物的定量统计表征
1 ENSTA B RETAGNE , UMR CNRS 6027, IRDL, F-29200 B REST , F RANCE 2 V IBRACOUSTIC – CAE D URABILITY P REDICTION D EPARTMENT , 44474 C ARQUEFOU , F RANCE 3 N ANTES U NIVERSITÉ , E COLE C ENTRALE N ANTES , CNRS, G E M, UMR 6183, F-44000 N ANTES , F rance摘要弹性材料的特性受到成分和详细过程所产生的夹杂物的强烈影响。提出了一种方法，以根据其化学性质区分弹性体中对疲劳有害（大于几µm）的夹杂物，并使用足够的统计数据进行定量表征它们。使用三种技术并进行了比较：数字光学显微镜（OM），与能量分散X射线光谱相关的扫描电子显微镜（SEM）和X射线微计算机层析成像（µ-CT）。六种材料用于挑战该方法。除了通常的金属氧化物和碳黑色附聚物外，突出显示了三种非典型夹杂物，从而产生了特定的检测困难。与经典的阈值方法相比，开发了一个相关的图像分析过程，以自动和准确地检测获得的图像的包含物。不同夹杂物种群的形态和空间分布。µ-CT是包含物的分类和统计表征的最全面，最准确的方法。此外，可以使用反向散射电子（SEM-BSE）或数字OM获得有关包含物尺寸分布的相关数据。SEM-BSE比数字OM提供了更准确的结果。简介橡胶部分的性能与化合物中成分的分散质量有关。该分散剂取决于所用的成分以及详细过程（混合，注射和固化）1。用于橡胶零件的典型成分包括碳黑色（CB）或二氧化硅填充剂和ZnO。对成分的良好分散对于获得均匀的混合物，良好的机械性能以及批处理和批处理之间的性质的一致性很重要。此外，夹杂物和团聚物在这些材料的机械性能中起关键作用。例如，疲劳损伤通常以CB的聚集体2或在二氧化硅聚集体3或金属氧化物2,4处引发。因此，重要的是能够表征填充物分散体和橡胶化合物中的夹杂物。的确，这种分散在空间和大小上的知识允许检查混合物的质量，优化过程参数，并在微观结构和感兴趣的属性之间建立链接。*通讯作者。matthieu.le_saux@ensta-bretagne.fr在文献中已经提出了许多技术，以分析橡胶材料中成分（基本上是CB）的微或宏分散因素：•通过透射光学显微镜（OM）5,6的材料（厚度上的几微米至几千微米）观察材料的材料（厚度几英尺）的效果。观察到的较暗和较明亮的区域分别对应于CB团聚物，并在切割过程中脱离了聚集体；该方法在1960年代被用作标准（ASTM D-2663方法B）。
社论：数据驱动的机器学习方法的组合和可靠的医学图像处理和分析的先验知识
将数据驱动的机器学习与先验知识结合起来具有明显的先进的医学图像处理和分析。深度学习，由大型数据集和强大的GPU驱动，在图像重建，分割和疾病分类等任务中表现出色。但是，这些模型面临着诸如高资源需求，有限的概括和缺乏解释性之类的挑战。相比之下，模型驱动的方法可以更好地概括，可解释性和鲁棒性，但可能缺乏准确性和效率。结合这些范式可以利用其优势，有望提高性能并提高诊断准确性。该研究主题展示了这种整合如何增强医学成像，包括准确的中风发作估计，改进了COVID-19的诊断和恢复评估以及增强的心脏成像技术。这些进步突出了提高诊断准确性，治疗计划和医学成像中临床决策的潜力。Gao等人开发了卷积神经网络（CNN）。使用计算机断层扫描和灌注加权成像，在6小时内识别6小时内的急性缺血性中风患者进行血管血栓切除术。该CNN优于支撑载体机和随机森林，证明了其使用CT和MR成像的准确中风发作时间估计的潜力。Huang等人的另一项研究。利用深度学习和CT扫描来评估6个月内Covid-19 Delta变体幸存者中的肺恢复。与原始的COVID-19菌株相比，在大多数情况下，发现地面玻璃的不透明性消失和轻度纤维化，以及肺预后的改善。在类似的脉中，Bridge等人创建了混合效应的深度学习模型。从CT扫描中诊断COVID-19，可实现高准确性和鲁棒性。在外部验证中具有0.930的AUROC，此模型
伊萨姆·穆塔西姆·贾扎尔
- 高级数据结构和算法、计算机建模和仿真、高性能计算、数值偏微分方程、计算线性代数、高级线性规划、数字图像处理、人工智能、数字图像处理1、计算机视觉：数字图像处理2、数值优化、随机过程（统计建模）和图像处理中的特殊主题。
icmlde2024.029
主题应在ICMLDE 2024会议的主题和范围中 - 可解释的模型体系结构，用于图像处理的应用在图像处理中可解释的机器学习在可解释的机器学习算法中的图像处理进步中，以人为中心的可解释的机器学习在可解释的机器学习算法
全日制模式学习计划 电气与计算机工程学士学位（自 2024/25 秋季学期起有效）
4 4 项目管理和 3 3 嵌入式软件 4 嵌入式软件 4 工程工程图像处理和 4 图像处理和 4 计算机视觉 1 计算机视觉 2
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2
特征模仿网络增强了深度学习在生物医学图像处理任务中的性能、可靠性和速度
摘要 —特征模仿网络 (FIN) 是一种神经网络，首先训练它们近似于闭式统计特征（例如熵），然后嵌入到其他网络中以增强其性能。在这项工作中，我们首次对 FIN 在生物医学图像处理任务中的应用进行评估。我们首先训练一组 FIN 来模仿六种常见的放射组学特征，然后比较较大网络（嵌入和不嵌入 FIN）在三个实验任务中的表现：从 CT 扫描中检测 COVID-19、从 MRI 扫描中分类脑肿瘤以及从 MRI 扫描中分割脑肿瘤。我们发现，与没有 FIN 的基线网络相比，嵌入 FIN 的模型在这三个任务中都提供了增强的性能，即使这些基线网络具有更多参数。此外，我们发现，与具有相似或更大表示能力的基线网络相比，嵌入 FIN 的模型收敛速度更快、更一致。我们的实验结果证明，FIN 可以为各种其他生物医学图像处理任务提供最先进的性能。