XiaoMi-AI文件搜索系统
World File Search System提取器
利用预先训练的Alexnet和相关矢量机的转移来回归，以预测健康的老年人大脑年龄从结构MRI
从脑结构MRI和年代年龄估计的大脑年龄之间的抽象差异与广泛的神经认知失误有关。大脑年龄估计的性能在很大程度上取决于预定义或手工制作的功能。尽管已经提出了基于3D卷积神经网络（CNN）方法，但它们需要高计算成本，大记忆负载和众多图像。将预先训练的2D CNN耦合用于转移学习的转移学习与建立的相关性向量机进行回归方法可以极大地增强模型的能力。采用了几种重要策略，包括特征传递学习，3D特征串联和降低维度。估计的大脑年龄是通过594个正常健康老年人（50 - 90岁）的结构磁共振成像（SMRI）建模的。我们提出并表现出预先训练的Alexnet作为可靠的特征提取器。此外，通过应用3D功能串联和减少数据，可以避免开发3D CNN的可观成本。所提出的方法以旧受试者的平均绝对误差为4。51年，可实现出色的性能。预测的大脑年龄也表现出高测试可靠性（类内相关系数为0.979）。对所提出模型的有效性和鲁棒性进行了充分的研究。所提出的方法可以与这些最先进的方法竞争甚至胜过表现，并且功能转移学习策略可以将新的观点引入一些具有预定义或手工制作的功能的知名脑周龄预测模型。
生物医学信号处理和控制 - 包裹：沃里克
随着现代数字技术的出现，正在从便携式可穿戴设备中获取生理信号（例如心电图），这些设备用于非侵入性慢性疾病管理（例如1型糖尿病）。糖尿病管理需要对血糖进行实时评估，这对于临床复杂性和侵入性而导致小儿人群繁琐。因此，实时非侵入性血糖估计现在对于有效的糖尿病管理是关键的。在本文中，我们提出了一个自动提取的BEAT形态的小儿种群实时非侵入性血糖估计的自我发作的深神网络回归。第一阶段基于由卷积神经网络驱动的基于自我注意的长短期记忆的形态学提取器，以根据时间上下文突出局部特征。第二阶段基于由多层感知器驱动的形态回归剂，并具有辍学和批准化，以避免过度拟合。我们通过logit模型进行了特征选择，然后是Spearman在功能之间的相关性，以避免功能冗余。我们对我们的模型进行了培训，该模型是从T1D儿科人群中获得的公开可用的MIT/BIH-PHYSIONET数据库和生理信号。我们通过Clarke的网格误差进行了评估，以分析不同血糖条件下血值范围的估计精度。结果表明，在临床上可接受的范围内，我们的工具以89％的精度优于现有的回归模型。基于BEAT形态的建议模型显着超过了基于HRV特征的模型。
yolov1到Yolov10：最快，最准确的实时对象检测系统
对象检测是一项基本的计算机视觉任务，可以支持各种下游任务。例如，它可用于协助实例细分，多对象跟踪，行为分析和识别，面部识别等。因此，在过去的几十年中，它一直是一个受欢迎的研究主题。近年来，由于移动设备的流行，在边缘上执行实时对象检测的能力已成为各种现实世界应用程序的必要组件。属于此类应用程序的任务包括自动驾驶，工业机器人，身份认证，智能医疗保健，视觉监视等。在许多实时对象检测算法中，Yolo（您只看一次）系列（从V1到V10）[1] - [10]近年来开发的是特别出色的。它在计算机视觉领域已经极大地影响了各种研究。本文将回顾Yolo的技术家族及其对当代实时计算机视觉系统发展的影响。通过在对象检测领域成功实现分裂的第一个基于深度学习的方法是R- CNN [11]。r-CNN是一种两阶段的对象检测方法，将对象检测过程分为两个阶段：对象提案生成和对象提案分类。R-CNN的作用是首先使用选择性搜索[12]，该搜索通常在图像处理中使用，以提取建议。在此阶段，CNN仅用作提取建议特征的特征提取器。至于识别部分，使用SVM [13]。随后的快速R-CNN的开发[14]
使用从本地采购材料获得的水合物生产水和油涂料
摘要 - 使用蒸汽方法在本地配制的氢溶胶生产水性油漆（乳液，筛选，哑光油漆）和油漆（光泽涂料）。原材料是芙蓉花，薄荷叶，迷迭香和柠檬草。Soxhlet提取器使用正常的己烷作为溶剂来从压碎的叶子中进行氢溶液。蒸馏过程，以将氢溶胶与从提取过程中获得的氢溶剂溶剂混合物中的溶剂分离。氢溶胶的表征是为了确定生理化学特性，并因此适合油漆生产。The results showed the physicochemical parameters of the produced hydrosol were within the standard values, of Refractive index = 1.3698, pH = 6.5533, conductivity = 0.5167us/cm, TDS = 78.1667mg/l, density = 0.5183g/cc, specific gravity = 0.5183, viscosity = 8.1083cst, boiling point = 74.70c。生产的氢溶胶用于乳液，筛选，马特和光泽涂料的生产，它们的表征，它们给出以下pH = 6.90，6.94,7.39＆6.62的物理化学结果。特定重力= 23.75，23.75，23.75＆23.75。密度= 1.4078g/cc，1.2396g/cc，1.136g/cc，＆1.1164g/cc。粘度= 9.8cst，10.5cst，10.8cst和8.47cst。干燥时间= 6小时，6小时，4小时和6小时。温度= 280C，280C，280C和280C。湿= 2.55、2、4和3。与标准相比，这些结果显示出合理的一致性。关键字 - 水基，水和油的油漆，物理化学参数。
do wav2vec 2.0在
言语和语言技术是确定与帕金森氏病（PD）相关的不同语音变化的有效工具，可以早期，更准确地诊断。自我监管的语音预审查的最新进展，尤其是使用WAV2VEC模型，表现出了比传统特征提取方法优越的性能。虽然已成功用于PD检测WAV2VEC 2.0，但需要与WAV2VEC 1.0进行严格的定量比较，以全面评估其在PD中不同语音模式的优势，局限性和适用性。这项研究对三个多语言数据集的WAV2VEC 1.0和WAV2VEC 2.0嵌入的系统比较，使用各种分类方法进行分类（健康对照； HC）和PD语音。此外，两个WAV2VEC版本都针对各种语言环境的传统基线特征进行了基准测试，包括自发的语音，非自发的语音和孤立的元音。采用了多准则的TOPSIS方法来对特征提取方法进行排名，这表明WAV2VEC 2.0在所有语音模式中都始终如一地表现出色，其第一个变压器层展示了上下文任务的最佳性能（阅读文本和独白）及其特征提取器在基于Vowel的分类中表现最佳。相比之下，WAV2VEC 1.0虽然通常超过WAV2VEC 2.0的表现，但在上下文任务中仍然提供了具有竞争性能的替代方案，突出了其对特定应用的潜力，例如联合学习。此比较分析进一步强调了每个WAV2VEC架构的优势，并为它们在PD检测中的最佳使用提供了信息。
一种结合 SqueezeNet 模型与 SVM 和微调的脑肿瘤分类新方法
摘要：脑癌在老年人和年轻人中最为常见，并且对老年人和年轻人都可能是致命的。如果能迅速诊断和治疗，脑肿瘤可以更好地治愈。在处理医学图像时，深度学习方法对于帮助人类诊断各种疾病至关重要。对脑肿瘤进行分类是一个必不可少的步骤，它在很大程度上依赖于医生的经验和培训。一个用于检测和分类这些肿瘤的智能系统对于使用 MRI（磁共振成像）图像进行脑肿瘤的非侵入性诊断至关重要。这项工作提出了一种基于 CNN 的新型混合深度学习结构，通过 MRI 扫描区分三种不同类型的人脑肿瘤。本文提出了一种使用深度学习和 CNN 进行分类的双重方法。第一种方法将用于模式分类的 SVM 无监督分类与用于特征提取的预训练 CNN（即 SqueezeNet）相结合。第二种方法将监督式软最大分类器与精细调整的 SqueezeNet 相结合。为了评估所提方法的有效性，使用脑部 MRI 扫描分析了总共 1937 张胶质瘤肿瘤图像、926 张脑膜瘤肿瘤图像、926 张垂体肿瘤图像和 396 张正常脑部图像。根据实验结果，精细调整的 SqueezeNet 模型的准确率为 96.5%。然而，当使用 SqueezeNet 作为特征提取器并应用 SVM 分类器时，识别准确率提高到 98.7%。
通过注意蛋白质和基因组基础模型来理解蛋白-DNA相互作用
高级人工智能技术的出现在蛋白质结构预测方面取得了显着加速。alphafold2是该领域中的开创性方法，它通过利用Evoformer模块从multiple序列比对（MSA）自动提取共进化信息，为预测准确性设定了新的基准测试。但是，诸如Alphafold2之类的结构预测方法的疗效在很大程度上取决于MSA的深度和质量。为了解决这一局限性，我们提出了两个新型模型Aido.ragplm和aido.ragfold，它们是A-e-e-dected蛋白质语言模型和AI-Drigity数字有机体中的概述的模块[1]。aido.ragplm将预训练的蛋白质模型与检索的MSA整合在一起，从而使共同进化信息纳入结构前字典，同时通过大规模预处理补偿了MSA信息不足。我们的方法在困惑，接触预测和适应性预测中超过了单序蛋白语言模型。我们利用aido.ragplm作为蛋白质结构预测的特征提取器，导致aido.ragfold的发展。当有足够的MSA提供时，Aido.Ragfold就可以达到与Alphafold2相当的TM分数，并且最多运行速度长达八倍。在MSA不足的情况下，我们的方法显着优于Al-PhaFold2（∆ TM得分= 0.379、0.116和0.116和0.059，对于0、5和10 MSA序列作为输入）。我们的发现表明aido.ragplm为蛋白质结构预测提供了有效，准确的解决方案。此外，我们使用层次ID生成开发了一种从Uniclust30数据库搜索的MSA检索器，该数据库比传统方法快45至90倍，并用于扩展aido.ragplm的MSA培训集，增长32％。
表示动态系统的无条件降解扩散模型的表示
摘要。我们提出了用于数据驱动的动力学系统的授予扩散模型。在这种类型的深度学习中，对神经网络进行了训练，以替代和扭转扩散过程，在该过程中，高斯噪声被从动力学系统的吸引子中添加到状态。迭代应用，神经网络可以将各向同性高斯噪声的样品映射到状态分布。我们展示了这种神经网络在Lorenz 1963系统的概念验证实验中的潜力。经过培训的状态发电，神经网络可以生产几乎与吸引子上的样本。该模型已经学会了系统的内部表示，适用于国家生成以外的不同任务。作为第一个任务，我们通过重新培训其最后一层并将其余网络保留为固定特征提取器，从而为预训练的神经网络提供了替代建模。在这些低维设置中，这种精细的模型的性能与从头开始训练的深度神经网络相似。作为第二个任务，我们应用预训练的模型来从确定性运行中生成合奏。扩散运行，然后迭代应用神经网络，条件状态生成，这使我们能够从运行的邻居区域中的吸引子中采样。为了控制所得的集合扩散和高斯性，我们调整扩散时间，从而调整吸引子的采样部分。虽然更容易调整，但此提出的集合采样器可以在集合最佳插值中胜过调谐的静态协方差。因此，这两个应用显示，降级扩散模型是代表动态系统学习的有前途的方法。
神经外科手术中增强现实的姿势估计和非刚性配准
摘要 — 目的：开颅手术是切除部分头骨，以便外科医生进入大脑并治疗肿瘤。进入大脑时，组织会发生变形，并可能对手术结果产生负面影响。在这项工作中，我们提出了一种新颖的增强现实神经外科系统，将从 MRI 获得的术前 3D 网格叠加到手术期间获得的大脑表面视图上。方法：我们的方法使用皮质血管作为主要特征来驱动刚性和非刚性 3D/2D 配准。我们首先使用特征提取器网络来生成概率图，并将其输入到姿势估计器网络以推断 6-DoF 刚性姿势。然后，为了解释大脑变形，我们添加了一个非刚性细化步骤，该步骤使用基于物理的约束将其表述为形状模板问题，有助于将变形传播到皮质下水平并更新肿瘤位置。结果：我们在 6 个临床数据集上回顾性地测试了我们的方法，并获得了较低的姿势误差，并使用合成数据集表明可以在皮质和皮质下水平实现相当大的脑移位补偿和较低的 TRE。结论：结果表明，我们的解决方案实现了低于实际临床误差的准确度，证明了我们的系统在实际应用中的可行性。意义：这项工作表明，我们可以使用单个摄像机视图提供通过开颅手术观察到的 3D 皮质血管的连贯增强现实可视化，并且皮质血管为执行刚性和非刚性配准提供了强大的功能。
![arxiv：2306.11137v1 [eess.iv] 2023年6月19日](/simg/a\aec2225b328fb4ca18e3057ee2fee65eff0d007c.webp)
arxiv：2306.11137v1 [eess.iv] 2023年6月19日
t 2加权磁共振成像（MRI）和扩散加权成像（DWI）是宫颈癌诊断的重要组成部分。但是，由于图像的不对准，将这些训练的这些渠道结合起来是具有挑战性的。在这里，我们提出了一个新型的多头框架，该框架使用扩张的卷积和共享残留连接来单独编码多参照MRI图像。我们采用残留的U-NET模型作为基线，并执行一系列建筑实验，以根据多参数输入通道和特征编码配置来评估肿瘤分割性能。所有实验均使用包括207例局部晚期宫颈癌患者在内的队列进行。Our proposed multi- head model using separate dilated encoding for T 2 W MRI, and combined b1000 DWI and apparent diffusion coefficient (ADC) images achieved the best median Dice coefficient similarity (DSC) score, 0.823 (confidence interval (CI), 0.595-0.797), outperforming the conventional multi-channel model, DSC 0.788 (95% CI, 0.568-0.776），尽管差异没有统计学意义（p> 0.05）。我们使用3D Grad-CAM和通道辍学研究了通道灵敏度，并强调了T 2 W和ADC通道对准确的肿瘤分割的关键重要性。但是，我们的结果表明，B1000 DWI对整体细分性能有很小的影响。我们证明，使用单独的扩张特征提取器和独立的上下文学习提高了模型减少DWI边界效应和变形的能力，从而改善了分割性能。我们的发现可能对可以扩展到其他多模式分割应用程序的可靠和可推广模型的开发具有重要意义。