XiaoMi-AI文件搜索系统
World File Search System多分辨率
使用放射基因组学对胶质母细胞瘤患者进行 MGNT 分类的不确定性评估
多形性胶质母细胞瘤 (GBM) 是所有高级别脑癌中最恶性的脑肿瘤之一。替莫唑胺 (TMZ) 是胶质母细胞瘤患者的一线化疗方案。O6-甲基鸟嘌呤-DNA-甲基转移酶 (MGMT) 基因的甲基化状态是肿瘤对 TMZ 化疗敏感性的预后生物标志物。然而，评估 MGMT 甲基化状态的标准化程序是侵入性手术活检，其准确性易受切除样本和肿瘤异质性的影响。最近，将放射图像表型与基因或分子突变相关联的放射基因组学在放射治疗的非侵入性评估中显示出良好的前景。本研究利用从多模态磁共振成像 (mMRI) 中提取的成像特征，提出了一种用于 MGMT 分类的机器学习框架，并进行不确定性分析。成像特征包括常规纹理、体积和复杂分形以及多分辨率分形纹理特征。使用公开的 BraTS-TCIA-GBM 术前扫描和 114 名患者的 TCGA 数据集对所提出的方法进行了评估。10 倍交叉验证实验表明，分形和多分辨率分形纹理特征可以更好地预测 MGMT 状态。使用随机梯度朗之万增强模型集合和多分辨率分形特征的不确定性分析可提供 71.74% 的准确率和 0.76 的曲线下面积。最后，分析表明，与文献中不同的知名方法相比，我们提出的具有不确定性分析的方法具有更好的预测性能。
![arXiv:2209.13529v1 [q-bio.NC] 2022 年 9 月 13 日](/simg/g:\will\search\icon\source\d\d730240faa47ca5024c3571e0d7b1d02fc162902.webp)
arXiv:2209.13529v1 [q-bio.NC] 2022 年 9 月 13 日
摘要。连接脑模板 (CBT) 捕获给定脑连接组群中所有个体的共同特征，从而充当指纹。从脑图来自不同神经成像模式（例如功能和结构）和不同分辨率（即节点数）的群体中估计 CBT 仍然是一项艰巨的挑战。这种网络整合任务允许学习跨不同模式和分辨率的丰富且通用的脑连接表示。由此产生的 CBT 可大量用于生成全新的多模态脑连接组，这可以促进下游任务（例如脑状态分类）的学习。在这里，我们提出了多模态多分辨率脑图集成器网络（即 M2GraphIntegrator），这是第一个将给定连接组群映射到中心良好的 CBT 的多模态多分辨率图集成框架。 M2GraphIntegrator 首先利用特定于分辨率的图形自动编码器统一脑图分辨率。接下来，它将生成的固定大小的脑图集成到位于其种群中心的通用 CBT 中。为了保持种群多样性，我们进一步设计了一种新颖的基于聚类的训练样本选择策略，该策略利用最异构的训练样本。为了确保学习到的 CBT 的生物学健全性，我们提出了一种拓扑损失，以最小化真实脑图和学习到的 CBT 之间的拓扑差距。我们的实验表明，从单个 CBT 中，可以生成真实的连接组数据集，包括不同分辨率和模态的脑图。我们进一步证明，我们的框架在重建质量、增强任务、中心性和拓扑健全性方面明显优于基准。
Joseph博士早期Joseph博士早期
·通过多个实例学习国际学习表征会议（ICLR）固有可解释的时间序列分类（2024。·扩展场景到斑点模型：多分辨率的地球观察环境数据科学的多个实例学习（期刊），2023。·一种基于风险的AI监管方法：系统分类和可解释的AI实践脚本：法律，技术与社会杂志，2023年。·通过可解释的多个实例学习神经信息处理系统（Neurips）的轨迹标签的非马尔可奖奖励建模，2022。·用于多个实例学习国际学习表征的不可解释性（ICLR），2022。·场景到点地球观察：通过机器学习（Neurips Workshop）来应对气候变化的多个实例学习，2022年。
使用多模态 MRI 的放射纹理特征描述符来区分复发性脑肿瘤与放射性坏死
尽管采取了化学放射疗法和手术切除等多模式积极治疗，多形性胶质母细胞瘤 (GBM) 仍有可能复发，这被称为复发性脑肿瘤 (rBT)。在多种情况下，良性和恶性病变在放射影像上可能看起来非常相似。其中一个例子就是放射性坏死 (RN)（放射治疗的中度良性影响），在结构磁共振成像 (MRI) 上，它们在视觉上几乎与 rBT 无法区分。因此，需要在常规获取的脑部 MRI 扫描中识别可靠的非侵入性定量测量：对比前 T1 加权 (T1)、对比后 T1 加权 (T1Gd)、T2 加权 (T2) 和 T2 液体衰减反转恢复 (FLAIR)，可以准确区分 rBT 和 RN。在这项工作中，复杂的放射纹理特征用于在多模式 MRI 上区分 rBT 和 RN，以进行疾病表征。首先，提取随机多分辨率放射组学描述符，该描述符可捕获体素级纹理和结构异质性以及强度和直方图特征。随后，这些特征用于机器学习设置，以从四个 MRI 序列（包含 30 个 GBM 病例（12 个 RN，18 个 rBT）的 155 个成像切片）中表征来自 RN 的 rBT。为了减少准确度估计的偏差，我们使用留一交叉验证 (LOOCV) 和分层 5 倍交叉验证与随机森林分类器来实现模型。在本研究中，我们的模型使用多分辨率纹理特征区分 rBT 与 RN，对于 LOOCV 提供 0.967 ± 0.180 的平均准确度，对于分层 5 倍交叉验证提供 0.933 ± 0.082 的平均准确度。我们的研究结果表明，与文献中的其他研究相比，复杂的纹理特征可以更好地区分 MRI 中的 rBT 和 RN。关键词：复发性脑肿瘤，放射性坏死，放射组学特征，多模态磁共振成像
使用 ADS-B 检测和避免小型无人机系统
空域系统 (NAS) 中，新程序和技术对于确保空域安全运行和尽量减少 UAS 对当前空域用户的影响是必不可少的。目前，小型 UAS 在民用空域的使用受到限制，因为它们不具备检测和避开其他飞机的能力。在本文中，我们将介绍一个框架，该框架由基于广播式自动相关监视 (ADS-B) 的传感器、航迹估计器、冲突/碰撞检测和解决方案组成，可减轻碰撞风险。ADS-B 提供长距离、全方位入侵者检测，对尺寸、重量、功率和成本要求相对较低。所提出的冲突/碰撞检测和冲突/碰撞解决规划算法是在局部级别框架中设计的，该框架是展开的、未倾斜的机身框架，其中本机静止在地图中心。路径规划方法旨在随着与本机距离的增加而实现多分辨率，以考虑自分离和避免碰撞的阈值。我们使用模拟 ADS-B 测量来演示和验证这种方法。
计算机图形学的几何表示
体积图形是计算机图形学的一个新兴子领域，涉及体积建模对象的合成、操作和渲染，这些对象存储为体素的体积缓冲区。与主要关注采样和计算数据集的体积可视化不同，体积图形主要关注建模的几何场景，尤其是那些在常规体积缓冲区中表示的场景。体积图形比表面图形具有优势，因为它独立于视点，对场景和对象的复杂性不敏感，并且适合表示采样和模拟数据集及其与几何对象的混合。它支持内部结构的可视化，并有助于实现块操作、CSG 建模和分层多分辨率表示。与体积缓冲区表示相关的问题，例如离散性、内存大小、处理时间和几何表示丢失，与光栅图形作为矢量图形的替代技术出现时遇到的问题如出一辙，可以通过类似的方式缓解。
计算机视觉上限5416第09E9节班级
• Title : Multiview Geometry • Author : Richard Hartely and Andrew Zisserman • Publication date and edition : 2004, Second Edition • ISBN number : 0521540518 Course Schedule Week 1: Introduction to Computer Vision Week 2: Projective Geometry in 2D and Homographies Week 3: Projective Geometry in 3D, Homographies and Camera Calibration Week 4: Fourier Transforms and Convolution Week 5: Sampling定理，边缘检测第6周：特征和特征检测，多分辨率金字塔第7周：图像降解和修复第8周：变异微积分 +正则化； Midterm-1 (on the Thursday of the week) Week 9: Image Segmentation Week 10: Image Segmentation (continued) Week 11: Stereo and Surface reconstruction Week 12: Texture and texture segmentation Week 13: Motion fields and Optical Flow Week 14: Deep Learning and Image classification Week 15: Wrap up and Midterm-2
BYU ScholarsArchive 引文 BYU ScholarsArchive 引文 McLain, Timothy；Sahawneh, Laith R.；Duffield, Matthew O.；和 Beard, Randall W.，《使用 ADS-B 检测和避免小型无人机系统》（2015 年）。教师出版物。1895 年。https://scholarsarchive.byu.edu/facpub/1895
随着将无人机系统 (UAS) 整合到国家空域系统 (NAS) 的需求不断增长，需要新的程序和技术来确保空域安全运行并最大限度地减少 UAS 对当前空域用户的影响。目前，小型 UAS 在民用空域的使用受到限制，因为它们没有检测和避开其他飞机的能力。在本文中，我们将介绍一个框架，该框架由基于广播式自动相关监视 (ADS-B) 的传感器、航迹估计器、冲突/碰撞检测和降低碰撞风险的解决方案组成。ADS-B 提供长距离、全方位入侵者检测，对尺寸、重量、功率和成本要求相对较低。所提出的冲突/碰撞检测和冲突/碰撞解决规划算法是在局部级别框架中设计的，该框架是展开的、未倾斜的机身框架，其中本机静止在地图中心。路径规划方法设计为随着与本机距离的增加而具有多分辨率，以考虑自分离和避免碰撞的阈值。我们使用模拟 ADS-B 测量来演示和验证此方法。
引文 (APA)：Jepsen, ML 和 Dau, T. (2008)。评估正常听力和听力受损者的基底膜输入输出功能。摘自 Acoustics'08，法国巴黎。
几何声学 GA 建模技术假设表面相对于感兴趣的波长较大。对于给定场景，实践者通常会创建一个具有大而平坦表面的 3D 模型，该模型在很宽的频率范围内满足假设。这种几何近似会导致模拟声场的空间分布出现误差，因为影响反射和散射行为的几何细节被忽略了。为了补偿近似，建模者通常会估计表面的散射系数，以随机地解释反射方向性中实际的、与波长相关的变化。一种更具确定性的方法可以考虑一系列几何细节不断增加的模型，每个模型都在相应的频带上进行分析，以满足大表面尺寸的要求。因此，为了提高 GA 模拟的宽带空间精度，我们提出了一种多分辨率建模方法。使用波纹墙的比例模型测量、我们的方法与非 GA 技术的比较以及一些简单的听力测试，我们将展示
房间传递函数和混响信号的分析...
几何声学（GA）建模技术假设表面相对于感兴趣的波长较大。对于给定场景，从业者通常会创建一个具有大而平坦表面的 3D 模型，以满足很宽频率范围内的假设。这种几何近似会导致模拟声场的空间分布出现误差，因为会影响反射和散射行为的几何细节被忽略了。为了补偿近似值，建模者通常会估算表面的散射系数，以随机地解释反射方向性中实际的、与波长相关的变化。一种更具确定性的方法可以考虑一系列几何细节不断增加的模型，每个模型都在相应的频带上进行分析，以满足大表面尺寸的要求。因此，为了提高 GA 模拟的宽带空间精度，我们提出了一种多分辨率建模方法。使用波纹墙的比例模型测量、我们的方法与非 GA 技术的比较以及一些简单的听力测试，我们将展示