鉴于互联网的开放环境,防止青少年接触不适当的网络内容是一项挑战。我们进行了研究,选择人工智能界面来训练和选择特定图像是否代表露骨内容。我们审查了十家潜在供应商,并选择了 Google Automl Cloud ® 进行训练和验证测试。不幸的是,很难获得足够大的已批准图像档案来完成最初设想的训练和测试程序。我们最终获得了一个中等大小的图像数据库,并使用一个小数据集成功测试了代码,尽管结果没有包含足够的样本来建立进一步测试所需的商业级可靠性。关键词
PXD037708。质谱蛋白质组学和 NTA 数据集的数据分析以及描述归纳策略的补充图表可在 https://github.com/duff-lab-team/AD-EV-characterisation 上访问。人类蛋白质组可从通用蛋白质资源 (UniProt) 获得,登录号为 UP000005640。图 3a 中显示的断层图像已存入电子显微镜数据库 (EMDB),登录号为 16064。单粒子低温电子显微镜数据集已存入电子显微镜公共图像档案 (EMPIAR),登录号如下:EV 数据集为 11300,细胞数据集为 11301。单粒子低温电子显微镜图谱已存入 EMDB,登录号如下:EV 图谱为 16035,细胞图谱为 16039。原子模型已存入蛋白质数据库 (PDB),登录号如下:EV 模型为 8BGS,细胞模型为 8BGV。任何其他数据均可向相应作者索取。
最近,使用卷积神经网络的深度学习实现在医学成像的许多领域都显示出了良好的前景。在本文中,我们列出了我们实现从整个头部磁共振图像中进行颅内分割的持续高质量、高吞吐量计算的方法,这是脑图像分析的一个重要但通常很耗时的瓶颈。我们将此输出称为“生产级”,因为它适合在处理管道中常规使用。使用非常大的结构图像档案进行训练和测试,我们的分割算法在各种不同的国家成像队列中表现一致良好,Dice 指标得分超过其他最近的深度学习脑提取。我们描述了实现这一性能所涉及的组件,包括大小、基本事实的种类和质量,以及适当的神经网络架构。我们展示了适当大而多样的数据集的关键作用,表明算法开发在能力阈值之外的作用不那么突出。
快速诊断脑肿瘤对于实施这种疾病的治疗是必要的。在本研究中,使用基于 ResNet 架构的网络对 MRI 图像中的脑肿瘤进行分类。癌症图像档案数据库中可用的 MRI 图像包括 159 名患者。首先,使用两个称为中值滤波器和高斯滤波器来改善图像质量。还使用边缘检测算子来识别图像的边缘。其次,首先使用数据库的原始图像训练所提出的网络,然后用高斯滤波和中值滤波图像训练。最后,使用准确度、特异性和敏感性标准来评估结果。本研究中提出的方法对原始图像、高斯滤波图像和中值滤波图像的准确率分别为 87.21%、90.35% 和 93.86%。此外,计算出的原始图像的灵敏度和特异性分别为 82.3% 和 84.3%。高斯滤波和中值滤波图像的灵敏度分别为 90.8% 和 91.57%,特异性分别为 93.01% 和 93.36%。总之,应研究预处理阶段的图像处理方法,以提高深度学习网络的性能。
Landsat 在民用地球观测卫星群中占据着独特的地位,拥有悠久而丰富的科学和应用历史。自 1972 年发射第一颗卫星以来,经过近 40 年的持续观测,Landsat 计划受益于富有洞察力的技术规范、强大的工程设计以及数据存档和传播所需的基础设施。最重要的是,空间和光谱分辨率已被证明具有广泛的实用性,并且在计划的整个生命周期内基本保持稳定。有远见地获取和维护全球图像档案已被证明具有无与伦比的价值,它为了解过去提供了一个窗口,并推动了全球土地覆盖和生态变化的监测和建模。在本文中,我们讨论了 Landsat 计划作为全球监测任务的演变,特别强调了最近向开放(免费)数据政策的变化。新的数据政策正在彻底改变 Landsat 数据的使用方式,推动创建强大的标准产品以及新的科学和应用方法。开放数据访问还促进了国际合作的加强,以满足 21 世纪的地球观测需求。版权所有 © 2012 由 Elsevier Inc. 出版。保留所有权利。