XiaoMi-AI文件搜索系统
World File Search System拖拉
深度学习的扩散MRI拖拉术
图1。（a）我们提出的拖拉术算法的概述：给定种子点或部分已知的流线，我们的方法提取了相应的局部和邻域DMRI信号，以形成输入数据序列（x 1，…，x t）。然后将此序列馈送到我们的网络中，以预测传播的方向。随后，流线根据给定的步长和传播方向生长。更新的流线（不完整）将是我们方法的新输入，
使用几何深度学习的监督拖拉图过滤
1微生物学，免疫学和移植部，库素鲁文，比利时2号鲁南2号免疫学和炎症系，伦敦帝国学院，伦敦帝国学院，英国3号病理学和实验室医学系，雪松尔斯 - 西奈岛医学中心，加利福尼亚州洛杉矶，加利福尼亚州，加利福尼亚州，加利福尼亚州，美国4大学。法国巴黎圣路易斯医院的肾脏病和移植，美国内布拉斯加州奥马哈市内医学院5 Nephrology and Dialysis, Department of Medicine III, Medical University of Vienna, Vienna, Austria 9 Department of Pathology and Clinical Bioinformatics, Erasmus University Center Rotterdam, Rotterdam, The Netherlands, Institute of Experimental Medicine and Systems Biology, RWTH Aachen University, Aachen, Germany 10 Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, Minnesota, USA 11 UPMC肝和移植病理学，美国宾夕法尼亚州匹兹堡12
AI增强了大脑成像 - 精选的手术过程拖拉术
在半球术患者完整半球中的下纵向筋膜（ILF）的重建。在特写镜头中，与红色矩形内的区域相对应，在切片附近剪辑了流线，以更好地可视化事实，即TractSeg在病变内重建流线，而提议的正规化低率重建则更准确地排除了病变，尽管分裂了整体较大的Tract体积，但仍将病变排除在外。信用：神经图像：临床（2025）。doi：10.1016/j.nicl.2025.103738
长长的神经生物学：假设和未解决的问题
拖拉图是脑白质的虚拟表示。它由数百万的虚拟纤维组成，编码为3D polyline，近似于白质轴突途径。迄今为止，拖拉图是最准确的白质表示形式，因此用于诸如神经塑性，脑部疾病或脑网络的术前计划和研究。然而，众所周知的问题是，大部分的拖拉机在解剖学上并不合理，并且可以被视为跟踪程序的伪像。使用验证者，我们使用一种新颖的完全监督的学习方法解决了过滤术的问题。与基于信号重建和 /或大脑拓扑正则化的其他方法不同，我们使用现有的白质解剖学知识来指导我们的方法。使用根据解剖学原理注释的拖拉图，我们训练我们的模型验证者，以将纤维分类为解剖上合理或不合理的纤维。所提出的验证模型是一种原始的几何深度学习方法，可以处理可变尺寸纤维，同时又不变到纤维方向。我们的模型将每个文件视为点的图表，并且通过通过提出的序列边缘卷积之间的边缘学习特征，它可以捕获基本的解剖学特性。在一组广泛的实验中，输出过滤结果高度准确，稳健，并且快速；使用12GB的GPU，对1m纤维的拖拉图进行了填充，需要少于一分钟。可在https://github.com/fbk-nilab/verifyber上获得验证实现和训练有素的模型。
量化脑肿瘤患者的结构连通性
摘要。脑肿瘤的特征是沿着白质区域进行锻炼，对精确治疗提出了重大挑战。安装证据表明，内部肿瘤可能会干扰大脑网络。因此，量化结构连通性具有识别肿瘤侵袭并更准确地分层的肿瘤。基于区域的统计数据（TBSS）被广泛用于测量白质完整性。但是，这种体素的方法不能直接列出大脑区域的连通性。拖拉术是一种纤维跟踪方法，已被广泛用于量化大脑连通性。然而，肿瘤质量的影响偏向于肿瘤上的大脑拖拉术的性能。仍然缺乏量化脑肿瘤患者结构连通性的强大方法。在这里，我们提出了一种可以为脑肿瘤患者提供强大估计的方法。特别是，我们首先在健康受试者中使用拖拉机构建一个无偏的道模板。基于模板中每个沟渠的位置，采用了TBSS的体素投影程序来量化患者的道路连接性。为了进一步改善标准TBSS，我们提出了一种在通过体素特征向量测量的路取向的指导下，提出了一种迭代投影的方法。与常规拖拉方法相比，我们的方法在反映功能相关性方面更为敏感。此外，我们的方法所揭示的网络解剖的不同程度对应于肿瘤组织学的临床先验知识。所提出的方法可以对脑肿瘤患者的结构连通性进行强有力的估计。
«移动电源拖车» 经济效益 电池范围......
使用移动电源拖车，部分电池被转移到拖车上。这些电池可以独立于拖拉机充电。通过连接拖车，能量可以在行驶过程中从拖车转移到拖拉机。这增加了能源管理的灵活性。为了展示这一概念的优势，我们将“XXL 电池拖拉机”的方法（大型电池放置在拖拉机上）与“移动电源拖车”的概念（电池在拖拉机和两个拖车之间分开）进行了比较。
解剖学知情的混合图CNN-TransFormer ...
使用深层神经网络越来越多地研究了大脑连接与非成像表型之间的关系。但是，在卷积网络设计中通常会忽略大脑白奇网络的局部和全球性能。我们介绍了Tractgraphformer，这是一种混合图CNN-Transformer的深度学习框架，该框架是针对扩散MRI拖拉术的。该模型利用白质结构的局部解剖特征和全局特征依赖性。图形CNN模块捕获了白质的几何形状和灰质连接到从解剖上相似的白色物质连接中汇总局部特征，而变压器模块则使用自我注意来增强全球信息学习。此外，TractGraphFormer还包括一个用于解释预测白质连接的注意模块。在性别预测测试中，TractGraphFormer在大的儿童数据集（n = 9345）和年轻人（n = 1065）中表现出强烈的表现。总的来说，我们的方法表明，WM中的广泛连接可以预测一个个体的性别，并且在两个数据集中确定了一致的预测解剖区。提出的方法突出了整合局部解剖信息和全球特征依赖性的潜力，以通过扩散MRI拖拉术在机器学习中提高预测性能。