XiaoMi-AI文件搜索系统
World File Search System移位
Quantum On-Chip训练具有参数移位和梯度P
参数化的量子电路（PQC）由于其在近期嘈杂的中间尺度量子（NISQ）硬件上实现量子优势的潜力，使搜索兴趣增加了搜索兴趣。为了实现可扩展的PQC学习，需要将培训过程卸载到真实的量子机上，而不是使用指数性的经典模拟器。获得PQC差异的一种常见方法是参数移位，其成本与量子数的数量线性缩放。我们提出了QoC，这是与参数转移的实用片上PQC训练的第一次实验证明。永无止境，我们发现，由于真实机器上的明显量子误差（噪声），从幼稚的参数转移获得的梯度具有较低的保真度，从而降低了训练精度。为此，我们进一步提出了概率梯度修剪，以首先识别具有潜在误差的梯度，然后将其删除。特定的是，小梯度的相对误差比大梯度更大，因此可以修剪的可能性更高。我们使用5台实际量子机对5个分类任务进行量子神经网络（QNN）基准进行广泛的实验。恢复表明，对于2级和4级图像分类任务，我们的片训练的精度超过90％和60％。概率梯度修剪带来了高达7％的PQC准确性实现，没有任何修剪。总体而言，与无噪声模拟相比，我们成功获得了类似的片上训练精度，但具有更好的训练性可伸缩性。QOC代码可在Torchquantum库中可用。
基于脑 CT 扫描中线移位的脑外伤患者预后预测
背景治疗头部受伤患者的临床医生通常根据对预后的评估做出决定。预后评估有助于与患者及其家属沟通。最广泛使用的临床预测工具之一是格拉斯哥昏迷量表 (GCS)；然而，该工具在镇静、插管或受酒精或精神活性药物影响的患者中使用时存在局限性。CT 扫描结果（例如脑底池状态、中线移位、相关创伤性蛛网膜下腔出血 (SAH) 和脑室内出血）是预测结果的有用指标，也被视为预测创伤性脑损伤 (TBI) 患者（尤其是在紧急情况下）的有效选择。材料和方法 108 名头部受伤患者在入院时接受临床检查、病史和脑部 CT 扫描评估。根据病变类型和中线移位对 CT 结果进行分类，并与入院时的 GCS 评分相关。本研究中的所有受试者均采用相同的治疗方案。这些患者出院时的 GCS 评分评估其预后。结果在患有严重 GCS 的患者中，51% 出现中线移位。头部 CT 中线移位程度是影响预后的统计学显著因素（p = 0.023）。48 名出现中线移位的患者中，17 名（35.4%）预后不良，而 60 名无中线移位的患者中，该比例为 8 名（13.3%）。结论在 TBI 患者中，CT 扫描中中线移位程度与头部损伤严重程度显著相关，并导致不良临床预后。
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
通过手术显微镜与术前成像观察的皮质血管对齐，以补偿脑移位
脑移位是脑组织的一种非刚性变形，受脑脊液的损失，组织操纵和重力的影响。这种变形可能会对外科手术程序的结果负面影响，因为基于术前图像的手术计划变得不太有效。我们提出了一种补偿大脑转移的新方法，该方法在术中神经外科手术过程中将术前图像数据映射到变形的大脑，从而增加了达到总切除术的可能性，同时降低了肿瘤周围健康组织的风险。通过3D/2D非刚性注册过程，将源自术前成像得出的3D明显模型比对在通过手术错误术中观察到的血管的2D图像上。表达的3D血管限制了大脑的体积生物力学模型，以将皮质血管变形传播到实质，然后转化为肿瘤。使用满足投影性和物理约束的能量最小化方法进行3D/2D非刚性注册。我们的方法对人脑的真实和合成数据进行了评估，这些数据既显示出定量和定性结果，又表现出其对实时手术指导的特殊适用性。
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
人工智能即时诊断 MRI 可测量急性卒中随访中的中线移位
图 2：(a) 对应标志的目标解剖点的 T2 加权 POC-MRI 的概率密度函数 (即热图) 可视化。红色分布对应于地面真实位置 (基于人工注释)，绿色分布是基于人工智能的 MLS (MLS-AI) 对目标点的估计，黄色表示地面真实分布和估计分布的重叠。(b) 中风脑 MLS 的 MLS-AI 估计以图形方式叠加在 POC-MRI T2 加权图像中的解剖体积上。
考虑深部脑刺激手术中的变形......
摘要 — 深部脑刺激 (DBS) 的疗效取决于电极放置的准确性，而手术中钻孔和硬脑膜打开造成的脑移位可能会危及电极放置的准确性。脑移位违反了术前图像和术中解剖结构之间假定的刚性对齐，对治疗产生负面影响。目的：本研究提出了一种基于变形图谱生物力学模型的方法来解决移位问题。方法：研究了 6 名接受介入磁共振 (iMR) 图像引导的 DBS 钻孔手术的患者。在不同的手术条件下采用特定于患者的模型，生成一组可能的术中移位估计或“变形图谱”。由来自 iMR 的稀疏测量驱动逆问题，以确定图谱解的最佳拟合。然后使用该拟合获得体积变形场，该场用于更新术前 MR 并估计在 iMR 上定位的手术目标区域的移位。通过定量比较术中次表层测量值与模型预测值，以及定性比较 iMR、术前 MR 和模型更新的 MR，检查模型性能。引入非刚性图像配准作为比较器。结果：基于模型的方法将一般实质移位从 8.2±2.2 毫米减少到 2.7±1.1 毫米（~66.8% 校正），并且产生的更新 MR 与 iMR 的一致性优于术前 MR。模型估计的目标区域平均移位为 1.2 毫米。结论：本研究证明了基于模型的移位校正策略在仅使用稀疏数据的 DBS 手术中的可行性。意义：所开发的策略有可能补充和/或增强当前解决移位问题的临床方法。索引词 — 脑移位、计算建模、深部脑刺激、图像引导神经外科手术
从任务特定的异型模式域移位数据集中学习组织和脑病变的联合分割
从多模式MRI中进行的脑组织分割是许多神经影像分析管道的关键基础。已建立的组织分割方法并未开发出来应对由病理学（例如白质病变或肿瘤）引起的大型解剖变化，并且在这些情况下通常会失败。同时，随着深神经网络（DNN）的出现，脑损伤的分割显着成熟。然而，现有的方法很少允许对正常组织和脑病变的联合分割。当前，注释的数据集通常仅处理一个特定任务，并且依赖任务特定的成像协议，包括任务特定的成像模式集，因此目前妨碍了针对此类联合任务的DNN。在这项工作中，我们提出了一种新的方法，可以从聚合的任务特异性异型模式结构域构建关节组织和病变分割模型。从关节问题的各种公式开始，我们展示了如何通过经验分解和优化预期的风险。我们利用了处理跨数据集的异质成像方式的风险上限。为了应对潜在的域转移，我们基于数据增强，对抗性学习和伪健康的生成进行了整合并测试了三种常规技术。对于每个单独的任务，我们的联合方法与任务特定的和完全监督的模型相比具有比较性能。对两种不同类型的脑损伤进行评估，该框架将进行评估：白质病变和神经胶质瘤。在后一种情况下，缺乏用于定量评估目的的联合基础真相，我们提出并使用一种新型的临床上相关的定性评估方法。
节能 4 位桶形装置的设计和分析...
摘要 ：在任何 ALU 的设计中，移位寄存器通常用于执行加法（用于进位移动）、乘法和任何浮点算术。当前使用的移位寄存器由触发器组成，需要 n 个时钟脉冲进行 n 次移位，这会增加延迟。因此，我们的目标是设计一个高速移位寄存器，即桶形移位器，它需要一个时钟脉冲进行 n 次移位。在本文中，我们使用通用门（传统模型）和传输门，在 Cadence Virtuoso 工具中为 180nm 和 45nm 技术设计了三种类型的桶形移位器电路，分别称为左旋转器、右旋转器和双向旋转器。与传统设计相比，45nm 技术中带有传输门的桶形移位器电路需要的功率更低，晶体管数量也更少。设计的桶形移位器电路比文献中已经提出过的传统模型具有更好的性能。