XiaoMi-AI文件搜索系统
World File Search System移位
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
s2-MLP：视觉的空间移位MLP体系结构
最近，Visual Transformer（VIT）及其以下作品放弃了卷积，并利用了自我发项操作，比CNN获得了可比甚至更高的精度。最近，MLP-Mixer放弃了卷积和自我发项操作，提出了仅包含MLP层的体系结构。为了实现交叉补丁通信，除了通道混合MLP外，它还设计了其他令牌MLP。在诸如JFT-300M之类的极限数据集上进行训练时，它会取得令人鼓舞的结果。，但是当在ImagEnet-1k等中等规模的数据集上训练时，它的表现不如其CNN和VIT对应。MLP混合使用的性能下降激励我们重新考虑令牌混合MLP。我们发现，MLP混合中的令牌混合操作是深度卷积的变体，具有全局接收场和空间特异性配置。在本文中，我们提出了一种新颖的纯MLP体系结构，即空间移位MLP（S 2 -MLP）。不同于MLP混合器，我们的S 2 -MLP仅包含通道混合MLP。我们设计了一个空间换档操作，以实现通过补丁之间的通信。它具有局部接收场，是空间的 - 不可知论。同时，它无参数且有效地计算。在Imagenet-1K数据集训练时，提出的S 2 -MLP比MLP混合剂具有更高的识别精度。同时，S 2 -MLP在ImageNet-1k数据集上具有出色的性能，具有更简单的架构，较少的失败和参数。
在有两个移位的muons的事件中搜索非弹性暗物质，在proton-proton碰撞中缺少横向动量，s = 13 tev
暗物质（DM）的存在得到了观察结果的强烈支持[1-5]，但其性质在很大程度上仍然未知。专用实验（例如，参考文献。[6-9]）已直接搜索DM，但尚未检测到信号。粒子围栏是这项工作的补充工具。在CERN LHC进行了几次搜索DM模型，例如那些预测弱相互作用的质颗粒的模型[10-15]。基于撞机的长寿命颗粒（LLP）的搜索比以前探索的DM模型范围更大[16-26]。这些颗粒可以在检测器内部腐烂之前传播宏观距离，从而留下独特的特征。几种理论机制预测了DM状态的生产和衰减的抑制相空间，这将导致LHC的长期DM现象学[18]。此外，靶向LLP具有降低甚至消除大量标准模型（SM）背景的可观优势，从而提高了对低能最终状态粒子模型的灵敏度，理论上动机良好，但通常具有挑战性的签名[27-30]。
自动中线移位检测和量化...
摘要 创伤性脑损伤 (TBI) 通常会导致中线移位 (MLS)，这是头部损伤严重程度和预后的关键指标。在过去十年中，使用人工智能 (AI) 技术自动分析头部计算机断层扫描 (CT) 扫描中的 MLS 引起了广泛关注，并有望提高诊断效率和准确性。本综述旨在总结基于 AI 的 TBI 病例 MLS 分析方法的研究现状，确定所采用的方法，评估算法的性能，并得出关于其潜在临床适用性的结论。进行了全面的文献检索，确定了 15 篇不同的出版物。对已确定的文章进行了分析，重点关注使用 AI 技术进行 MLS 检测和量化，包括它们的 AI 算法选择、数据集特征和方法。所综述的文章涵盖了与 MLS 检测和量化相关的各个方面，采用在二维或三维 CT 成像数据集上训练的深度神经网络。数据集大小从 11 名患者的 CT 扫描到 25,000 张 CT 图像不等。AI 算法的性能在准确度、灵敏度和特异性方面表现出差异，灵敏度范围为 70% 到 100%，特异性范围为 73% 到 97.4%。利用深度神经网络的基于 AI 的方法已显示出在 TBI 病例中 MLS 的自动检测和量化方面的潜力。然而，不同的研究人员使用了不同的技术；因此，很难进行批判性比较。需要进一步研究和评估方案的标准化，以确定这些 AI 算法在临床实践中用于 MLS 检测和量化的可靠性和通用性。研究结果强调了 AI 技术在改善 MLS 诊断和指导 TBI 管理临床决策方面的重要性。
基于RIS辅助细胞的大型MIMO Systems基于多代理学习的基于学习的关节预编码和相位移位优化
摘要 - 无细胞（CF）大量多输入多重输出（MMIMO）是一种使用多个分布式接入点（APS）实现高光谱效率（SE）的有前途的技术。但是，由于高渗透率损失，苛刻的传播环境通常会导致沟通性能的显着降解。为了克服此问题，我们将可重新配置的智能表面（RIS）引入CF MMIMO系统中，作为低成本和功率较高的解决方案。在本文中，我们专注于优化RIS辅助CF MMIMO系统的关节预编码设计，以最大化总和SE。这涉及优化APS处的预编码矩阵和RIS的反射系数。为了解决这个问题，我们提出了包含模糊逻辑（FL）的完全分布的多代理增强学习（MARL）算法。与依靠交替优化技术的常规方法不同，我们基于FL的MARL算法仅需要本地渠道状态信息，这减少了对高回程容量的需求。仿真结果表明，我们提出的FL-MARL算法有效地降低了计算复杂性，同时达到与常规MARL方法相似的性能。
π相间层间移位和kagome超导体CSV3SB5
堆叠自由度是调整材料特性的关键因素，并且已在分层材料中进行了广泛的研究。最近发现Kagome超导体CSV 3 SB 5在T CDW〜94 K下方显示出三维CDW相位。尽管对内平面调制进行了彻底的研究，但平面外调制仍然模棱两可。在这里，我们的极化和温度依赖性拉曼测量结果揭示了C 6旋转对称性的破坏，并且在大约120°的三个不同域的存在下，彼此之间存在三个不同的域。观察结果表明，CDW相可以自然解释为2C交错阶相，相邻层显示相对π相移。此外，我们在大约65 K处发现了一阶结构相变，这是由于堆叠断层而引起的堆叠顺序diSorder相变，并受到CS相关唱片模式的热磁滞行为的支持。我们的发现突出了CSV 3 SB 5中堆叠自由度的重要性，并提供了结构见解，以理解超导性和CDW之间的纠缠。
超导纳米线二进制移位寄存器
基于纳米晶的超导电子产品的发展迄今已限制在很少的设备电路上，部分原因是缺乏标准和健壮的逻辑细胞。在这里，我们介绍并实验展示了一组基于纳米晶的构件的设计，这些块可以配置并组合以实现内存和逻辑功能。通过对硝化氮化物的单个超导层进行图案制造设备，并在液态氦气中测量各种操作点。测试显示10 4位错误率，高于6 20％的边距高达50 MHz，并且在平面外36 MT磁场的效果下运行的可能性，在10 MHz时为6 30％的边缘。此外，我们设计并测量了由两个存储单元制成的等效延迟流量，以显示组合多个构件以制造更大电路的情况。这些块可能构成了纳米晶逻辑电路和有限状态机器的开发，具有潜在的应用在超导纳米导体单光子探测器中的潜在应用。
中线移位程度之间的相关性
结果本研究表明，属于51-60岁（32％）和61-70岁（40％）的年龄组的患者人数几乎相等，随后是70岁以上的患者（12％），该组患有质量效应，在对照组中几乎相同。在100个临床诊断出的出血性中风50中有自发的脑出血，质量效应，男性为38（76％），女性为12（24％）。其他50例自发性脑出血，无目的地将质量效应视为对照，而男性为34（68％），女性为16（32％）（表1）。在100个受试者中（案例加对照）以下站点中有CT扫描中出血：supertentorial（85％）和infratentorial（15％）（表II）。很明显，由于MCA分支的破裂，其后大部分（76％）发生，然后是前和后大脑动脉（病例加对照）（表III）。格拉斯哥昏迷量表得分为13-15，有06名（12％）的ISCH患者具有质量效应，9-12的患者有17（34％），而低GCS得分分别为3-5例，同一组的患者分别为27（54％）。另一方面，在没有质量效应的组中，有24％的得分为13-15，而60％的得分为9-12，而8（16％）的得分为3-5（表IV）。将CT扫描中的隔膜移位分为两组：在20（40％）中观察到10毫米或更少30毫米（60％）的患者（60％）患者的转移大于10 mm。
信息几何广义协变量移位自适应
由 { ( x te i , y te i ) } n te i =1 构成的例子，取自测试分布 p te ( x , y ) = p te ( x ) p te ( y | x )。
经颅超声检查与计算机断层扫描对创伤性脑损伤患者中线移位的评估比较
背景：大脑中线移位 (MLS) 是通过计算机断层扫描 (CT) 成像诊断的重要临床发现，而经颅超声 (TCS) 可帮助在床边诊断 MLS 并促进干预以改善结果。该研究旨在发现基于 TCS 和 CT 的创伤性脑损伤 (TBI) 患者 MLS 评估之间的关联。患者和方法：我们纳入了所有中度至重度 TBI 的成年患者，不限性别，年龄在 18 至 65 岁之间，在 3 个月内接受全身麻醉下颅内手术。借助格拉斯哥昏迷量表 (GCS) 和格拉斯哥昏迷量表-瞳孔 (GCS-P) 评分评估意识。我们使用 CT 扫描和 TCS 计算 MLS。使用 Bland Altman 图以及 Pearson 和 Spearman 系数检验。结果：本研究共分析了 17 名患者。使用 TCS 时 MLS 为 0.52 ± 0.90 厘米，使用 CT 扫描时 MLS 为 0.58 ± 0.39 厘米。TCS 和 CT 成像测量的 MLS 差异的 Pearson 相关系数 (r2) 为 0.002 (p<0.05)。结论：经颅超声检查可以检测出 TBI 患者的 MLS，前提是 TCS 和 CT 扫描的 MLS 测量之间使用最小时间窗口。关键词：计算机断层扫描、超声检查、创伤性脑损伤。印度重症监护医学杂志 (2023)：10.5005/jp-journals-10071-24376