XiaoMi-AI文件搜索系统
World File Search System张洪波
摊位设计 RFQ -NAL AI 2023 (Hall B 3.3)_1.pdf
8 英尺（高）x 10 英尺（长）——4 张海报中有一张是穿孔乙烯基海报，固定在会议厅的玻璃隔板上。最多 10 张，尺寸为 3 英尺 x 5/6 英尺），并放置在所需位置。背光海报应与墙壁齐平（墙外无突出的盒子类型），如下图所示。所有海报设计均由 NAL 提供。背光海报布置样本
基于深度学习的自动脑肿瘤分析
分割是对图像进行划分，使其更有意义且更易于分析。在本研究中，使用 Otsu 阈值对肿瘤进行分割。这有助于从健康组织中定位肿瘤区域，这对于计划治疗和患者随访是必需的。整个肿瘤分析过程是在 MATLAB 中用户友好的 App 设计器中实现的。1.1 目标 为医学领域贡献深度学习技术，使肿瘤分析更准确、更高效。 通过多模态融合结果实现一种自动肿瘤分类和分割算法，以供进一步分析。 使用 MATLAB 中的 App 设计器显示整个肿瘤分析过程。2. 材料与方法由于大脑结构复杂，脑肿瘤分析过程是一项艰巨的任务。肿瘤分析过程涉及四个模块：预处理、多模态融合、肿瘤分类和分割。最后，使用 App 设计器在 MATLAB 2020b 中实现这些模块，它很吸引人且易于使用。 2.1 数据集我们使用公开的 Kaggle 数据集，其中训练集用于训练模型，验证集用于评估所提出的集成。训练集包括 395 张无肿瘤图像、826 张胶质瘤图像、822 张脑膜瘤图像和 827 张垂体瘤图像。我们
篝畿20 ￣）25 鱼簪学科学院寄生虫病研克所
冯学胜 、郑秀娟、 司秋生、林云璐 (上海医科大学觅疫学教研室，上海200032，中国) 常 远 范佩芳、虞建良、张淑人 、刘新垣 (中国科学院上海生物化学研究所，上海200031，中国) 艮口 ] 提要 用蛋tt工狂方法对天然型重组白细胞介素 (rIL-2)~ 行改造，研{6|的两种新型 rtL一2， 125一Ser-rlL-2和125． Ala-rlL-2均能维持NK 细 胞及CTLL一2细胞的增殖或长期传代，这种作用可被 抗rlL-2的单克隆抗体破坏．新型rlL一2还能增强 NK 细胞的话性，并显着提高肝密搔润性淋巴细胞 (TIL)的抗癌活性．这说明新型rlL一2的生物举活性 与天然型flL_2基本一致．可应用于肿瘤的免疫治疫
香港大学太空与社区学院
专题十：杰出教师奖得奖者分享会 时间 上午 11:30 至下午 1:00 地点 会议室 203 主题 杰出教师奖得奖者分享会一 主席 张慧娴博士 香港大学附属学院 讲者 1) 张达博士 香港大学附属学院 2) 何韵诗博士 香港大学附属学院 3) 林美红女士 香港大学附属学院 4) 梁锦华先生
Recent Development of Lithium Borohydride-based Materials for Hydrogen Storage Wenxuan Zhang, Xin Zhang, Zhenguo Huang, Haiwen Li, Mingxia Gao, Hongg
锂硼氢化物储氢材料的最新进展 张文宣, 张欣, 黄振国, 李海文, 高明霞, 潘红鸽, 刘永锋* 张文轩, 张晓燕, 张晓燕博士, 高明贤教授, 潘华光教授, 刘永锋教授 浙江大学硅材料国家重点实验室和材料科学与工程学院，杭州 310027，中国 电子邮件: mselyf@zju.edu.cn 潘华光教授, 刘永锋教授 西安工业大学新能源科技研究院，西安 710021，中国 黄志刚教授 悉尼科技大学土木与环境工程学院，81 Broadway, Ultimo, NSW, 2007，澳大利亚 李华伟教授 合肥通用机械研究院，合肥 230031，中国 关键词: 氢, 储氢, 硼氢化物, LiBH 4 , 热力学, 动力学 摘要 :
QFlow：用于管理ML项目的解决方案
在这个项目中，我们的团队的任务是开发自动标记微观图像的解决方案。最初，客户的要求指出，他们每天最多需要分析几千张图像，并且控制台应用程序就足够了。但是，在交付初始解决方案后，客户要求我们分析数亿张图像的数据集，并创建仪表板或用户界面以运行推断，因为该控制台对使用该解决方案的科学家不友好。此外，客户端希望在云中运行推断，因为他们的本地服务器不可用。
Zeng助理教授，Songshan
学术出版物（选定）Zeng，s。; Yang，Z。； Hou，Z。；帕克，c。琼斯（M。）丁，h。 Shen，K。;史密斯，A。；王，b。江，h。 Sun，L。具有光学/光热和形态多功能性的超薄金属纳米涂料启用的动态多功能设备。PNAS 2022，119（4），E2118991119。Zeng，S。张，d。;华盛顿州的黄； Wang，Z。；弗雷雷（S。）； Yu，X。;史密斯，A。； Huang，E。; Nguon，H。； Sun，L。生物启发的敏感和可逆的机械色素通过应变依赖性裂纹和褶皱。自然通讯2016，7：11802。doi：10.1038/ncomms11802。Zeng，S。 Li，R。;弗雷雷（S。）； Garbellotto，V。; Huang，E。;史密斯，A。；胡，c。 Tait，W。; Bian，Z。； Zheng，G。；张，d。; Sun，L。具有可调动力学的水分反应性皱纹表面。高级材料2017，29，1700828。Zeng，s。;史密斯，A。； Shen，K。; Sun，L。具有多尺度架构和动态表面地形的智能软材料。材料研究的解释，2022，3，11，1115–1126 Zeng，S。＃; Shen，K。＃;刘y。 chooi，a。;史密斯，A。； Zhai，s。; Chen，Z。; Sun，L。通过机械可调的表面发射率的动态热辐射调节器。今天的材料2021，45，44-53 Zeng，S。; Li，R。; Tait，W。;张，M。；朱，M。 Chov，n。; Xu，G。;张，d。; Sun，L。皱纹驱动的管状结构的自发形成，作为适应性3D可拉伸电子产品的多功能平台。材料视野2020，7，2368-2377。材料视野2020，7,164-172。Zeng，S。太阳，h。帕克，c。张，M。；朱，M。 Chov，n。;说谎。;史密斯，A。； Xu，G。; Li，s。; Hou，Z。； Li，Y。；王，b。张，d。; Sun，L。多刺激性响应性铬化，具有可量身定制的机械色素灵敏度，可在环境条件下进行多功能互动感。
研究文章 使用新型深度卷积神经网络对口腔病变进行人工智能分析，以便早期发现口腔癌
近年来，人工智能 (AI) 在肿瘤学中的应用发展迅速，并取得了丰硕成果。这项工作旨在评估深度卷积神经网络 (CNN) 算法在口腔摄影图像中对口腔潜在恶性疾病 (OPMD) 和口腔鳞状细胞癌 (OSCC) 进行分类和检测的性能。将包含 980 张口腔摄影图像的数据集分为 365 张 OSCC 图像、315 张 OPMD 图像和 300 张非病理图像。使用 DenseNet-169、ResNet-101、SqueezeNet 和 Swin-S 创建多类图像分类模型。使用 faster R-CNN、YOLOv5、RetinaNet 和 CenterNet2 构建多类物体检测模型。最佳 CNN 模型 DenseNet-196 的多类图像分类的 AUC 在 OSCC 和 OPMD 上分别为 1.00 和 0.98。最佳多类 CNN 基础物体检测模型 Faster R-CNN 在 OSCC 和 OPMD 上的 AUC 分别为 0.88 和 0.64。相比之下，DenseNet-196 在 OSCC 和 OPMD 上的 AUC 分别为 1.00 和 0.98，获得了最佳多类图像分类性能。这些值与专家的表现一致，并且优于全科医生 (GP)。总之，基于 CNN 的模型具有在口腔摄影图像中识别 OSCC 和 OPMD 的潜力，有望成为协助全科医生早期发现口腔癌的诊断工具。