XiaoMi-AI文件搜索系统
World File Search System扫描仪
使用机载激光扫描仪数据进行冠层高度生长测量的变化检测技术
摘要 本文使用 82 棵苏格兰松样本树，分析了机载激光扫描仪数据在北方森林中测量单株树高生长的潜力。使用 Toposys 83 kHz 激光雷达系统于 1998 年 9 月和 2003 年 5 月获取了照亮 50% 树梢的点云（10 个点/平方米，光束大小 40 厘米）。使用野外视距仪测量松树的参考高度和高度生长。从代表每棵树的点云中提取了三种不同类型的特征；它们是最高 z 值之间的差异、树冠 DSM 之间的差异以及对应于树冠的冠层高度直方图的第 85、第 90 和第 95 个百分位数之间的差异。与现场测量结果的最佳对应关系为 R 2 值为 0.68，RMSE 为 43 厘米。结果表明，可以使用多时相激光测量来测量单棵树的生长情况。我们还演示了一种用于树木间匹配的新算法。在基于单棵树木进行业务生长估计时需要该算法，尤其是在茂密的云杉林中。该方法基于最小化 N 维数据空间中树梢之间的距离。实验表明，使用树木的位置（来自激光数据）和高度足以提供可靠的树木间匹配。将来，匹配中还应包括第四维（树冠面积）。
safeHDDM | 8020077 - SICK 德国
基本优势与其他防护装置相比，安全激光扫描仪的主动扫描原理、飞行时间测量和评估程序在实际应用中提供了许多基本优势：发射器和接收器位于同一外壳内；直接检测物体；无需反射器。因此，安全激光扫描仪易于安装和对准。扫描仪可以监控二维范围内大小不一的区域。在监控区域内，警告和保护区域通常可以自由定义，在运行期间在其间切换，并可在基本边界条件发生变化时随时重新设计。根据其设计和连接性，激光扫描仪可以非常节省空间且高效地集成到固定式和移动式机器中。
safeHDDM | 8020077 - SICK 德国
基本优势 与其他防护装置相比，安全激光扫描仪的主动扫描原理、飞行时间测量和评估程序在实际应用中提供了许多基本优势：发射器和接收器位于同一外壳内；直接检测物体；无需反射器。因此，安全激光扫描仪易于安装和对准。扫描仪可以监控二维范围内不同大小的区域。在受监控区域内，通常可以自由定义警告和保护区域，在运行期间切换，并在基本边界条件发生变化时随时重新设计。根据其设计和连接性，激光扫描仪可以非常节省空间且高效地集成到固定式和移动式机器中。
CT检测器的最新进展：全面审查
引言CT自1971年首次引入诊断和治疗性医学领域已广泛使用，因为它的快速扫描时间，出色的空间分辨率和广泛的可用性[1]。X射线检测器的CT扫描仪的关键组件对于创建图像至关重要，并且对辐射剂量和图像质量都有重大影响。根据扫描仪模型和供应商的次要实现和设计变化，所有当前的商业CT扫描仪都使用固态探测器，并具有可比的第三代旋转旋转式设计[2]。减弱的X射线梁由CT扫描仪检测器转化为用于计算机处理的数字信号[3]。检测器特征包括效率，稳定性，动态范围，响应时间和余辉[4]。
科隆开启新一代数字化牙科时代
Mimetrik 的临床研究团队率先采用 AI 驱动技术来为 Cubit360 提供支持。这款创新的扫描仪可让牙科技术人员在实验室中快速准确地创建 3D 扫描。与传统的口外扫描仪不同，Cubit360 不需要夹紧扫描对象。技术人员自己握住和移动牙科对象，扫描仪提供实时反馈，带来直观的扫描体验。这意味着 Cubit360 可以节省时间
NPL 报告 ENG 59 对使用... 的初步调查
1 简介 三维 (3D) 激光扫描仪多年来一直用于文化遗产、法医、3D 土地（地形）和“竣工”测量等应用。三维激光扫描仪使用安装在快速旋转头上的高速激光测距仪扫描环境，从而产生场景的高密度数字点云表示，可以根据需要进行存档和分析。通常，同轴安装的相机会同时记录全彩信息，以提供更逼真的 3D 图像。近年来，激光扫描仪的测距能力得到了提高，可以在数十米或更长的距离上实现亚毫米级精度和测距噪声。事实上，美国国家标准与技术研究所 (NIST) 最近报告称，他们开发了一款精度为 10 µm、测量范围为 10.5 m 1 的 3D 扫描仪。精度的提高，加上高价值制造业以及逆向工程和工厂维护等应用对以相对较低的成本快速获取高质量数据的要求不断提高，促使三维激光扫描仪从测量应用转向工程应用。随着 3D 激光扫描仪技术的普及和对精度要求的不断提高，对校准、性能验证和测量可追溯性的需求也随之增加。非接触式光学测量系统的校准和可追溯性问题非常复杂，不仅限于仪器本身系统误差的校准和补偿。例如，由于扫描激光与被扫描物体的材料和表面特性之间的相互作用以及激光束与表面的入射角，可能会出现显著的系统误差。然而，对于本文考虑的 3D 激光扫描仪类别，测距精度水平取决于仪器的几何误差和激光测距系统的精度。激光测距系统的校准相对简单，可以使用例如校准的长度工件或更精确的坐标测量系统（如激光跟踪器）或通过与参考干涉仪进行比较来进行。但是，没有涵盖激光扫描仪校准或性能验证的文献标准。在本报告的第 2 部分中，我们简要描述了激光扫描仪几何误差的数学模型。此外，NIST 进行的体积性能测试表明，校准后系统误差仍然很明显，这些误差可以归因于对几何对准误差的不完全补偿 2, 3 。因此，需要改进这些设备的校准方式，以充分发挥其潜力。因此，国家物理实验室 (NPL) 对使用“网络方法”校准 3D 扫描仪几何误差的可行性进行了初步调查 - 该方法之前由 NPL 为激光跟踪器校准而开发 4, 5 。在第 3 节中，我们总结了用于校准仪器误差的网络方法。在第 4 节中，我们介绍了用于测试激光扫描仪的方法。第 5 节介绍了结果和观察结果，第 6 节介绍了最后的总结和结论。2 激光扫描仪的几何误差模型 图 1 显示了激光扫描仪内部几何形状的理想表示。安装在固定底座上的旋转平台承载着激光源和旋转镜组件；平台绕着竖轴 Z 旋转。激光源的对准方式是使激光束与旋转镜的旋转轴（称为过境轴 T ）同轴对准。激光束在点 O 处从旋转镜反射，该点位于镜面与旋转轴 T 和 Z 的交点处。镜子相对于轴 T 倾斜 45°，使得激光束从镜子反射到 NZ 平面上的点 P，其中 ON 垂直于 OT。
使用基于多站点数据训练的渐进式细节层次网络对抗脑部 MRI 分割中的扫描仪效应
许多人脑的临床和研究都需要精确的 MRI 结构分割。虽然传统的基于图谱的方法可以应用于来自任何采集部位的体积，但最近的深度学习算法只有在对训练中使用的相同部位的数据（即内部数据）进行测试时才能确保高精度。外部数据（即来自看不见的部位的看不见的体积）的性能下降是由于部位间强度分布的变化，以及不同 MRI 扫描仪模型和采集参数导致的独特伪影。为了减轻这种部位依赖性（通常称为扫描仪效应），我们提出了 LOD-Brain，这是一个具有渐进细节层次（LOD）的 3D 卷积神经网络，能够分割来自任何部位的大脑数据。较粗的网络级别负责学习有助于识别大脑结构及其位置的稳健解剖先验，而较细的网络级别则细化模型以处理特定部位的强度分布和解剖变化。我们通过在前所未有的丰富数据集上训练模型来确保跨站点的稳健性，该数据集汇集了来自开放存储库的数据：来自大约 160 个采集站点的近 27,000 个 T1w 卷，规模为 1.5 - 3T，来自 8 至 90 岁的人群。大量测试表明，LOD-Brain 产生了最先进的结果，内部和外部站点之间的性能没有显著差异，并且对具有挑战性的解剖变异具有稳健性。它的可移植性为跨不同医疗机构、患者群体和成像技术制造商的大规模应用铺平了道路。代码、模型和演示可在项目网站上找到。
使用扩散张量成像参数，用1.5T MRI扫描仪收集的扩散张量成像参数：案例研究
该研究的相关性在于需要通过利用从常规1.5 Tesla MRI扫描仪获得的扩散张量成像（DTI）来改善肌萎缩性侧索硬化症（ALS）的诊断。这项研究旨在研究使用不同机器学习（ML）分类器以区分ALS个体的潜力。In this study, five ML classifiers (“support vector machine (SVM)”, “k-nearest neighbors (K-NN)”, naïve Bayesian classifier, “decision tree”, and “decision forest”) were used, based on two DTI parameters: fractional anisotropy and apparent diffusion coefficient, obtained from two manually selected ROIs at the level of the brain pyramids in 47 ALS患者和55名健康受试者。使用混淆矩阵和ROC曲线评估每个分类器的质量。通过径向内核支持矢量方法（77％的精度[P = 0.01]）证明了基于DTI数据的ALS患者与健康个体的最高准确性，而K-NN和“决策树”分类器的性能略低，“决策林”分类器对训练的训练量过高（AUC = 1）。作者在检测锥体区域中ALS的放射学特征方面表现出足够准确的ML分类器“ SVM”。
供应商 - 不足的深度学习图像在脑计算机断层扫描中Denoising denoising：多扫描仪研究
Matter-White物质分化（GM-WM），人工制品，清晰度和诊断信心。客观分析包括对噪声，对比度比率（CNR），signal-noise比率（SNR）的评估，后窝的伪影指数。结果进行了主观图像质量评估，与所有读者的所有类别中的FBP相比，与FBP相比，DLD与FBP相比持续出色。客观的图像质量分析显示，使用DLD用于所有扫描仪的噪声，SNR和CNR以及伪影指数的显着改善（p <0.001）。结论供应商深度学习deNoising al-gorithm在亚置以及与FBP重建相比的较小头部创伤的papaptigent的NCCT图像中提供了明显优于较高的结果。在所有五个扫描仪中都产生了这种效果。