XiaoMi-AI文件搜索系统
World File Search System对比度
一种用于多发性硬化症全脑和病变同时分割的对比度自适应方法
这里我们介绍了一种从多发性硬化症患者的多对比度脑 MRI 扫描中同时分割白质病变和正常神经解剖结构的方法。该方法将一种新的白质病变模型集成到之前经过验证的全脑分割生成模型中。通过使用单独的解剖结构形状及其在 MRI 中的外观模型，该算法可以适应使用不同扫描仪和成像协议获取的数据而无需重新训练。我们使用四个不同的数据集验证了该方法，在同时分割数十个其他脑结构的同时，显示出在白质病变分割方面的稳健性能。我们进一步证明，对比度自适应方法也可安全地应用于健康对照的 MRI 扫描，并复制之前记录的 MS 深层灰质结构萎缩模式。该算法作为开源神经成像包 FreeSurfer 的一部分向公众开放。
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
CL-SPO2NET：基于非接触视频的SPO2估计的对比度学习时空注意网络
摘要：基于视频的外围氧饱和度（SPO2）估计，仅利用RGB摄像机，提供了一种非接触式方法来测量血氧水平。先前的研究将稳定且不变的环境设定为非接触式血氧估计的前提。此外，他们还利用了少量标记的数据进行系统培训和学习。但是，使用小数据集训练最佳模型参数是一项挑战。血氧检测的准确性很容易受到环境光和受试者运动的影响。为了解决这些问题，本文提出了一个对比度学习时空注意网络（CL-SPO2NET），这是一个用于基于视频的SPO2估计的创新的半监督网络。在包含面部或手部区域的视频段中发现了远程光绘画（RPPG）信号中的时空相似性。随后，将深层神经网络与机器学习专业知识相结合，从而估算了SPO2。在小规模标记的数据集的情况下，该方法具有良好的可行性，在稳定的环境中，摄像机和参考脉冲血氧仪之间的平均绝对误差为0.85％，在面部旋转情况下具有1.13％的照明频率为1.13％。
PMC：在1.5T处配对的多对比度MRI数据集，用于监督的Image2Image Translation
抽象访问磁共振成像（MRI）对相同受试者进行扫描，包括各种对比度和野外强度，对于涉及涉及监督图像翻译的大脑研究至关重要，以预测缺失或无法获得的MRI数据。但是，涵盖低场和高场的此类数据集稀缺。为了弥合此间隙，我们提出了一个半合成的数据集，包括在1.5t和3t的T1，T2和PD中，在同一受试者的T1，T2和PD对比度中，在T1，T2和PD对比度上有一个半合成的数据集。我们还以2维格式呈现它，使其与广泛的模型兼容。我们使用评估指标以及基于形态的方法评估了我们提出的数据集，并使用我们的数据集在不同应用程序中展示了基于U-NET的架构的性能。最后，我们发布数据集，以促进涉及多对比MR图像翻译的未来研究。
NIST 的显示计量
描述：我们计算全屏白色和黑色的对比度：CR。（注意：我们更喜欢使用“对比度”而不是“对比度”，以避免与对比度指标混淆）。全屏对比度可能是除全屏白色亮度之外显示器的第二大重要指标。具有高对比度功能的显示器通常能够更好地创建更逼真的图像并提供更好的可读性：尤其是当图像的黑色或暗区构成大量屏幕表面时，在这种情况下眼睛会欣赏更大的对比度。全屏对比度是最简单和可重复的对比度测量。
多视图对比度学习超图神经网络，用于药物 - 疾病 - 疾病酶协会预测
确定药物，微生物和疾病之间的潜在关联对于探索发病机理和改善精确医学具有重要意义。有很多用于成对关联预测的计算方法，例如药物微生物和微生物 - 疾病酶关联，但很少有方法集中在高阶三质量药物 - 微生物 - 疾病（DMD）关联上。由HyperGraph神经网络（HGNN）的进步驱动，我们希望它们能够完全限制高级相互作用模式，这是由DMD关联和重新确定声音预测性能提出的Hy-Pergraph背后的。但是，由于体外筛查的高成本，已确认的DMD关联不足，该筛选形成了稀疏的DMD超图，因此具有次级通用能力。为了减轻限制，我们提出了一个dmd关联预测，提出了一个名为MCHNN的经验化学习。我们在DMD HyperGraph上设计了一种新颖的多视图对比学习（CL）作为辅助任务，该任务指导HGNN学习更多的判别性代表并增强通用能力。extentiment实验表明，MCHNN在DMD关联预先字典中实现了令人满意的性能，更重要的是，在稀疏的DMD Hypergraph上设计了我们设计的多视图CL的效率。
使用多阶段 Attention-GAN 进行高组织对比度 MRI 合成以进行胶质瘤分割
磁共振成像 (MRI) 基于强磁场提供内脏器官的不同组织对比度图像。尽管 MRI 在频繁成像方面具有非侵入性优势，但目标区域中的低对比度 MRI 图像使组织分割成为一个具有挑战性的问题。本文展示了图像到图像转换技术生成合成高组织对比度 (HTC) 图像的潜在优势。值得注意的是，我们采用了一种具有注意机制的新型循环生成对抗网络 (CycleGAN) 来增加底层组织内的对比度。注意力模块以及对 HTC 图像的训练引导我们的模型收敛到某些组织。为了提高 HTC 图像的分辨率，我们采用多阶段架构将焦点集中在一种特定组织作为前景，并在每个阶段滤除不相关的背景。这种多阶段结构还通过减小源域和目标域之间的差距来减轻合成图像的常见伪影。我们展示了我们的方法在脑部 MRI 扫描（包括胶质瘤）中合成 HTC 图像的应用。我们还在端到端和两阶段分割结构中使用 HTC MRI 图像来确认这些图像的有效性。在 BraTS 2018 数据集上对三个竞争性分割基线进行的实验表明，将合成的 HTC 图像纳入多模态分割框架中可分别将整个肿瘤、肿瘤核心和增强肿瘤的平均 Dice 得分提高 0.8%、0.6% 和 0.5%，同时从分割过程中消除了一个真实的 MRI 序列。
从3D行人网络到车轮网络：使用智能手机点云的对比度深学习
本文提出了一种基于深度学习的可容纳性评估方法，构成了街头规模的智能手机点云和城市规模的3D行人网络（3DPN）。3DPN已被研究和映射以进行轮廓和智能城市应用。然而，由于省略的行人路径，未发现的楼梯和过度简化的高架人行道，文献中3DPN的城市水平尺度对于评估轮椅的可及性（即车轮）不完整；如果映射量表处于为轮椅使用者设计的微观级别，则可以更好地表示这些功能。在本文中，我们使用智能手机点云加强了城市规模的3DPN，这是一种有希望的数据源，用于补充细微的细节和由于厘米级别的准确性，鲜艳的色彩，高密度和人群源性质而导致的细颗粒细节和温度变化。三步方法重建行人路径，楼梯和坡度细节，并丰富城市规模的3DPN进行轮廓评估。PEDESTRIAN路径的实验结果表现出准确的3DPN中心线位置（miou = 88。81％），楼梯检测（miou = 86。39％）和轮子性评估（MAE = 0。09）。本文贡献了一种适合，准确和人群采购的轮子评估方法，该方法将无处不在的智能手机和3DPN架起高密度和丘陵的城市区域的3DPN。
机器学习方法是否改善了具有高空间对比度的环境空气污染物的预测？系统评价
背景与目标：使用机器学习来进行空气污染建模正在迅速增加。我们对比较统计和机器学习模型的研究进行了系统的综述，该研究预测了环境氮二氧化氮（NO 2），超细颗粒（UFPS）和黑碳（BC）的时空变化，以确定哪种情况以及在哪种情况下，机器学习是否会产生更准确的预测。方法：截至2024年6月13日，搜索了科学和Scopus的网络。所有记录均由两个受依赖的审阅者筛选。在最佳统计和机器学习方法之间的确定系数（R 2）和均方根误差（RMSE）之间的差异进行了比较。结果：包括46个模型比较的38项研究（第2号，UFPS为30，为BC为8）。线性非规范方法和随机森林最常使用。机器学习在34个比较中优于统计模型。最佳机器学习和统计模型之间的R 2中的平均差异（95％置信区间）分别为0.12（0.08、0.17）和20％（11％，29％）。基于树的方法在17个多模型比较中的12个中表现最好。非线性或正则回归方法仅在12个比较中使用，并提供了与机器学习方法相似的性能。结论：这项系统的综述表明，机器学习方法，尤其是基于树的方法，可能优于线性非验证方法，用于预测2号，UFP和BC的环境浓度。需要使用非线性，正则化和更广泛的机器学习方法的其他比较研究来确认其相对性能。未来的空气污染研究也将受益于对方法和结果的更明确和标准化的报告。
hu在Semeval-2024任务8a上：对比度学习学习嵌入以检测机器生成的文本吗？
本文介绍了我们为Semeval-2024任务8开发的系统，“多基因，多域和多语言的黑盒机器生成的文本检测”机器生成的文本是主要的结合文本之一，这是由于使用大型文本（LLM）在虚假的文本中使用大型语言模型（llm），在伪造的文本中，播放，或者在考试中作弊，或偶尔抄写。已经开发了许多系统来检测机器生成的文本。尽管如此，这些系统中的大多数都依赖于文本生成模型。在现实世界中，这种限制是不切实际的，因为通常无法知道用户使用哪种特定模型用于文本生成。在这项工作中，我们提出了一个基于对比度学习的单个模型，该模型使用了基线参数的40％（149m vs. 355m），但在测试数据集（137名参与者中的21位）上显示了可比的性能。我们的主要发现是，即使没有多个模型的集合，单个基本模型也可以在数据增强和对比度学习的帮助下具有可比性的性能。1