XiaoMi-AI文件搜索系统
World File Search System处理管道
niftypad-动态宠物数据的定量分析
抽象当前的PET数据集正在越来越大，从而增加了对快速和可重复处理管道的需求。本文介绍了一种称为NifTypad的免费，开源，基于Python的软件包，用于对静态，完整或双时间窗口动态脑宠物数据的多功能分析。NifTypad的关键新颖性是通过参考输入处理，药代动力学建模的分析，通过纳入动脉自旋标记（ASL）的相对灌注措施，并缩短了PET获取的药代动力学建模，以及基于可选的PET基于PET数据的运动校正。将用Niftypad获得的结果与一系列动力学模型的良好软件包PPET和QMODERING进行了比较。使用四个不同淀粉样蛋白示踪剂扫描的八个受试者的临床数据用于验证计算性能。niftypad与PPET达到了R 2> 0.999的相关性，线性化的LOGAN和MRTM2方法的绝对差异〜10-2，R 2> 0.999999与Qmodeling的相关性与基于基于基于基的SRTM和SRTM的绝对差异〜10-4相关。对于最近发表的SRTM ASL方法，在现有软件包中无法使用的SRTM ASL方法，与完全扫描SRTM相关的高相关性在不可移动的结合势方面（r 2 = 0.96），表明Niftypad中的可靠模型实现。一起，这些发现表明NifTypad具有多功能，灵活的功能，并且可以通过既定的软件包装来量化动态PET数据。它是免费的（https：//github。com/amypad/nifty pad），允许多平台使用。模块化设置使添加新的功能变得容易，并且该软件包的重量轻巧，具有最小的依赖性，使其易于使用并集成到现有的处理管道中。
公平的计算工作流
在数据密集型科学中，电子基础结构和软件工具链被大量用于帮助科学家管理，分析和共享越来越多的复杂数据[1]。数据处理任务（例如数据清理，归一化和知识提取）需要逐步自动化，以促进性能，标准化和可重复使用。越来越复杂的数据计算和参数驱动的模拟需要可靠的E基础结构和一致的报告，以实现对替代设置的系统比较[2，3]。作为对这些需求的响应，使用工作流执行计算过程的实践已在不同领域（例如生命科学[4,5,6]，生物多样性[7]，天文学[8]，Geosciences [9]和社会科学[10] [10]。工作流程还支持采用新颖的计算方法，尤其是机器学习方法[11]，因为可以交换或更新处理管道中的单个组件。
促进临床文本的表型：Medkit库
摘要：表型包括应用算法来识别与特定，潜在复杂，性状或条件相关的个人，通常是从电子健康记录（EHRS）集合中的。由于EHR的许多临床信息都在文本中，因此文本的表型在依赖EHR的次要使用的研究中起着重要作用。但是，临床文本的内容和形式的异质性和高度专业化的方面使这项任务特别繁琐，并且是观察研究中时间和成本限制的来源。为了促进表型管道的开发，评估和可重复性，我们开发了一个名为MED KIT的开源Python库。它可以启用由易于重复使用软件砖制成的数据处理管道，名为MedKit Operations。除了图书馆的核心外，我们还共享我们已经开发的运营和管道，并邀请表型社区重新使用和丰富。
热处理对由定向能量沉积键合的不锈钢 /不锈钢物理特性的效果< / div>
在这项研究中，不锈钢316L和Inconel 625合金粉是通过使用定向的能量沉积过程加上制造的。对粘合不锈钢316L/Inconel 625样品的硬度和微观结构的热处理效应。微观结构表明，除了几个小裂缝外，不锈钢316L和Inconel 625之间没有次要相和界面区域附近的大夹杂物。TEM和Vickers硬度的结果表明，界面区域的厚度几十微米。有趣的是，随着热处理温度的升高，不锈钢区域的裂纹不会改变形态，而不锈钢316L的硬度值和Inconel 625的硬度值也下降。这些结果可用于使用定向能量沉积的不锈钢316L材料的表面处理管道和阀门，并通过表面处理材料进行表面处理。关键字：定向能量沉积，界面，物理特性，热处理
通过对话和解释迈向值得信赖的自主系统
自治系统在我们的社会中扮演着越来越重要的角色，但是，由于他们期望应对一系列社会，法律或技术挑战，并且基于NEU-MENAL网络的AI系统尚无法为许多这些挑战提供保证。尤其重要的是，这些系统是黑匣子决策者，侵蚀了人类的监督，竞争和代理机构。为了解决这一特殊问题，我的论文着重于将社会解释的AI与认知方法和自然语言处理整合到以室外用户访问的方式来阐明自主系统的内部过程。i提出了一种基于多代理系统中反事实模拟的决策的因果解释生成模型。我还计划将CEMA与更广泛的自然语言处理管道整合在一起，以支持针对性和个性化的解释，以解决人们的认知偏见。我希望我的研究能够通过建立更值得信赖的AI来对公众接受自主代理人产生积极影响。
卷积神经网络学习可实现结构磁共振成像中的生产级脑分割
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。
使用开放数据的胎儿功能MRI自动脑掩盖
抽象的胎儿静止状态功能磁共振成像（RS-FMRI）已成为表征出生前脑发育的关键新方法。尽管这种方法的快速而广泛地增长，但目前，我们缺乏适合解决该数据类型固有的独特挑战的神经影像处理管道。在这里，我们解决了最具挑战性的处理步骤，在数千个非平稳的3D大脑体积中，胎儿大脑与周围组织的快速而准确地隔离。利用我们的1,241个手动追踪的胎儿fMRI图像的图书馆，我们培训了一个卷积神经网络（CNN），该卷积神经网络（CNN）在来自单独的扫描仪和人群的两个持有测试集中实现了出色的性能。此外，我们将自动屏蔽模型与现有软件的其他fMRI预处理步骤结合在一起，并洞悉我们对每个步骤的改编。这项工作代表了针对全面的，开源的工作流程的最初进步，并具有公开共享的代码和数据，用于胎儿功能性MRI数据预处理。
Visual Cot：使用全面的数据集和基准来推进多模式模型
多模式大型语言模型（MLLM）在各种VQA任务中表现出了令人印象深刻的性能。但是，他们通常缺乏可解释性和在复杂的视觉输入中挣扎，尤其是当输入图像的分辨率很高时，或者当有兴趣的区域可以为回答问题提供关键信息时。为了应对这些挑战，我们收集并介绍了包括438K问答对的大规模视觉COT数据集，并用中间边界框注释，突出了突出了回答问题必不可少的关键区域。此外，将大约98k对以详细的推理步骤注释。重要的是，我们提出了一个多转弯处理管道，该管道动态着眼于视觉输入并提供可解释的思想。我们还引入了相关的基准测试，以评估需要特定局部区域识别的情况下的MLLM。广泛的实验证明了我们框架的有效性，并阐明了更好的推理策略。可在此网页上提供可视化的婴儿床数据集，基准和预培训模型，以支持该领域的进一步研究。
网络连接：助力人工智能无处不在
基于开放标准的连接对于大规模部署 AI 至关重要。2024 年 6 月 4 日——英特尔的使命是将 AI 带到任何地方，让 AI 更容易通过网络从 PC 集成和扩展至边缘和数据中心。英特尔强大的企业生态系统以英特尔® 至强® 和英特尔® 酷睿™ 处理器以及英特尔® Gaudi® AI 加速器为基础，有助于为全球企业扩大 AI 的整体价值。然而，AI 不能孤立存在。网络连接是连接系统的粘合剂，使数据能够在整个计算过程中无缝流动。这些功能对于满足 AI 时代前所未有的性能、带宽和扩展需求至关重要。英特尔实现端到端 AI 网络解决方案的方法基于以太网，并为客户提供兼容性、互操作性和供应商选择。作为超级以太网联盟 (UEC) 和超级加速器链接促进会 (UAL) 的创始成员，英特尔在广泛的行业支持和协作之外，致力于推动下一代以太网技术的发展，并建立开放的行业标准，使 AI 加速器能够更有效地通信。通过这些努力，加上长期以来提供高效、经济的企业级技术的传统，英特尔正在扩展其基于开放标准的网络解决方案组合，以解决连接需求、推动创新和提高客户价值。AI 可扩展性依赖于以太网技术英特尔® 以太网 800 系列产品凭借 40 多年的行业领导地位和在集成和独立以太网产品方面的专业知识，目前提供 25 和 100GbE 的速度，并且向后兼容 10GbE。该系列产品为完全可编程的数据包处理管道实施动态设备个性化，并支持 RDMA（RoCEv2 和 iWARP）以实现低延迟、高吞吐量的工作负载。产品目前提供 25 和 100GbE 的速度，并且向后兼容 10GbE。该系列实现了完全可编程的数据包处理管道的动态设备个性化，并支持 RDMA（RoCEv2 和 iWARP）以实现低延迟、高吞吐量的工作负载。为了扩展 800 系列的整体速度和功能，英特尔将于 2024 年晚些时候推出一系列新的以太网 E830 控制器和网络适配器产品。这些产品的最大数据速率高达 200 千兆位每秒 (Gbps)，支持 PCIe 5.0x8 主机互连，并具有安全性和可管理性增强功能。利用英特尔 IPU 加速企业中的 AI 基础设施处理单元 (IPU) 是可编程的网络设备，可让用户减少开销并释放 CPU 性能。
评估 TLS 点云着色的质量
摘要：地面激光扫描 (TLS) 能够高效生成真实环境的高密度彩色 3D 点云。从视觉和自动解释到逼真的 3D 可视化和体验，越来越多的应用依赖于准确可靠的颜色信息。然而，人们对评估应用 TLS 生成的 3D 点云的着色质量关注不足。我们已经开发了一种用于评估带有集成成像传感器的 TLS 系统的点云着色质量的方法。我们的方法通过测量从 3D 扫描测试图表渲染的 2D 图像的客观图像质量指标来评估几个测试系统重现场景颜色和细节的能力。结果表明，与色彩再现相关的检测问题（即测量到的色彩、白平衡和曝光差异）可以在数据处理中得到缓解，而与细节再现相关的问题（即测量到的锐度和噪声）则不受扫描仪用户的控制。尽管是值得称赞的 3D 测量仪器，但改进着色工具和工作流程以及自动化图像处理管道不仅可以提高彩色 3D 点云的质量和生产效率，还可以提高其适用性。