XiaoMi-AI文件搜索系统
World File Search System移位
![b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'](/simg/8/855f3c9598aa8a034e402cab16971aa1920b4ee4.webp)
b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'
b'genation 的 C3 和 C2 位尚未开发。在此，我们报道了一种无催化剂获取 1-芳基 2,3-二碘咔唑 [7,8] 的方法，其中涉及碘转位（方案 1D）。值得注意的是，我们的方案允许在三个连续位置 [9] 即 C1、C2 和 C3 对咔唑核心进行可控官能化。环化前体 (碘吲哚基)炔醇 1a \xe2\x80\x93 n 是使用已知程序由适当的吲哚-2-甲醛制备的。[5] 我们的旅程始于研究苯基取代炔醇 1a 作为模型底物的反应（表 1）。 [10] 我们研究了 1a 与几种碘化试剂（如 I 2 、NIS、ICl 和 Ipy 2 BF 4 ）的反应。在碳酸钠存在下，在异丙醇中，在 15 °C 下使用 ICl [11] 可有效实现串联碘环化-碘移位。使用 1.1 倍过量的 ICl 可得到三环 2a ，产率为 50%（表 1，条目 5），而使用 2.5 倍过量的 ICl 可得到所需的杂环，产率为 60%（表 1，条目 3）。通过对粗反应混合物进行 TLC 和 1 H NMR 分析观察到总转化率，未检测到副产物或聚合反应。然而，在柱层析纯化 2,3-二碘-咔唑 2a 的过程中观察到一些分解，这可能是导致分离产率适中的原因。值得注意的是，重排的 1-苯基-2,3-二碘-咔唑 2a 是唯一的区域异构体。使用有机碱代替 K 2 CO 3 或不同的溶剂'
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。
神经外科手术中脑移位的生物力学建模
1) Lesage 等人，2020 年，IPEM，“使用公共基准数据预测内向脑移位的粘弹性生物力学模型” 2) Sun 等人，2013 年，Journal of Translational Engineering in Health and Medicine，“使用生物力学模型进行近实时计算机辅助手术矫正脑移位” 3) Xiao 等人，2017 年，AAPM，“脑肿瘤的回顾性评估 (RESECT)：低级别胶质瘤手术前 MRI 和术中超声临床数据库” 4) Poulios 等人，2022 年，开源软件，GetFEM 5) Chen 等人，2017 年，IEEE Xplore，“基于有限元法和静水力学的神经导航简单脑移位估计” 6) Bom 等人，2018 年，Acustica e Vibracoes， “基于 Arduino 的头部跟踪设备：组装和在声学中的应用” 7) Dreamstime，免版税，https://www.dreamstime.com/measuring-cups-different-fluid-levels-measuring-cups-scale-different-fluid-levels-flat-design-simple-image189837634 8) Cohen-Gadol，2022 年，《神经图谱》，“脑肿瘤：患者需要知道什么”
使用 DCT、增量调制和双移位的比较研究
摘要 存储、传输和处理高维脑电图 (EGG) 信号是一项关键挑战。EEG 压缩的目标是去除 EEG 信号中的冗余数据。EEG 等医学信号必须具有高质量才能用于医学诊断。本文使用基于离散余弦变换 (DCT) 和双移位编码的接近零均方误差 (MSE) 的压缩系统来实现快速高效的 EEG 数据压缩。本文研究并比较了对变换和量化的输入信号应用或不使用增量调制的情况。在将输出映射到正值后应用双移位编码作为最后一步。使用来自 CHB-MIT 头皮 EEG 数据库的 EEG 数据文件测试系统性能。压缩比 (CR) 用于评估压缩系统性能。与以前对相同数据样本的研究相比，结果令人鼓舞。关键词：EEG、压缩、DCT、双移位编码、增量调制、映射到正值、直方图、压缩比。巴塞特莫尔 巴塞特莫尔 巴塞特莫尔 阿尔莫尔 莫尔
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。
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。
体内位置大脑移位的全部MRI测量...
位置脑移位（PBS），在重力作用下大脑的下垂，与立体定向干预成功的误差缘（约1 mm）相当。由于头部方向的轻微差异而引起的这种不均匀的转移可能会导致计划的手术靶标和实际位置之间的显着差异。该复杂变形的准确体内测量对于设计和验证适当的补偿以整合到神经化系统中至关重要。PBS是由易于易于盐的头取向引起的，用11名年轻人的磁共振成像测量了头部方向。通过数字体积相关在体素基础上提取全局部位移，并在标准参考空间中进行分析。结果表明，在手术相关的结构上测量了范围从0.52 mm到0.77 mm的显着位移，需要对手术目标进行特定目标校正。应变分析进一步揭示了可压缩性的局部变异性：前区域显示出膨胀（体积和形状变化），而后区域显示出较小的压缩，主要由形状变化主导。最后，对相关性的分析证明了进一步的患者和干预特异性调整的潜力，因为颅内宽度和头部倾斜与达到统计学意义的PBS相关。
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。
![b'for \ xce \ xb2，\ xce \ xb3 \ xe2 \ x88 \ x88 \ x88 \ xce \ x93。我们可以将其视为将标签的中心移至\ xce \ xb2 \ xe2 \ x88 \ x92 1。我们说，如果\ xce \ xce \ xb2 \ xb2 \ xe2 \ x88 \ x88 \ x97 \ x97 \ xc2 \ xc2 \ xb5 = \ xc2 \ xc2 \ xb5 \ xe2 \ x88 \ x88 \ xce \ x93，其中\ xce \ xb2 \ xe2 \ x88 \ x97表示pushforward。我们用prob \ xce \ x93（a \ xce \ x93）表示一组移位不变的概率度量。如果v是a \ xef \ xac \ x81nite集，我们可以考虑从\ xce \ x93的同构的sep hom（\ xce \ x93，sym（v））到v的排列组。这套设置可能是空的。给定的\ xcf \ x83 \ xe2 \ x88 \ x88 hom（\ xce \ x93，sym（v）），我们写入允许的允许，这是\ xce \ xb3 \ xe2 \ x88 \ x88 \ x88 \ x88 \ xce \ xce \ x93的映像。对于每个I \ Xe2 \ x88 \ x88 [r]和v \ xe2 \ x88 \ x88 \ x88 v v \ x88 \ x88 \ x88 \ x88 v。任何\ xcf \ x83的图形都可以视为\ xef \ xac \ x81nite系统，该系统在本地看起来像\ xce \ x93，就像一个大矩形网格本地看起来像整数lattice z r一样。 \ xce \ x93或某些\ xcf \ x83的图形可以具有自然的图形距离：一对顶点之间的距离是de \ xef \ xac \ x81，是它们之间的路径中的最小边数，忽略边缘方向。令b \ xcf \ x83（v，r）表示以v \ xe2 \ x88 \ x88 V为中心的封闭半径r球，并且类似地表示de \ xef \ xac \ x81ne b \](/simg/b/b7fee28848c40b97e6c5608d1e26bc7a06b6fe3e.webp)
b'for \ xce \ xb2，\ xce \ xb3 \ xe2 \ x88 \ x88 \ x88 \ xce \ x93。我们可以将其视为将标签的中心移至\ xce \ xb2 \ xe2 \ x88 \ x92 1。我们说，如果\ xce \ xce \ xb2 \ xb2 \ xe2 \ x88 \ x88 \ x97 \ x97 \ xc2 \ xc2 \ xb5 = \ xc2 \ xc2 \ xb5 \ xe2 \ x88 \ x88 \ xce \ x93，其中\ xce \ xb2 \ xe2 \ x88 \ x97表示pushforward。我们用prob \ xce \ x93（a \ xce \ x93）表示一组移位不变的概率度量。如果v是a \ xef \ xac \ x81nite集，我们可以考虑从\ xce \ x93的同构的sep hom（\ xce \ x93，sym（v））到v的排列组。这套设置可能是空的。给定的\ xcf \ x83 \ xe2 \ x88 \ x88 hom（\ xce \ x93，sym（v）），我们写入允许的允许，这是\ xce \ xb3 \ xe2 \ x88 \ x88 \ x88 \ x88 \ xce \ xce \ x93的映像。对于每个I \ Xe2 \ x88 \ x88 [r]和v \ xe2 \ x88 \ x88 \ x88 v v \ x88 \ x88 \ x88 \ x88 v。任何\ xcf \ x83的图形都可以视为\ xef \ xac \ x81nite系统，该系统在本地看起来像\ xce \ x93，就像一个大矩形网格本地看起来像整数lattice z r一样。 \ xce \ x93或某些\ xcf \ x83的图形可以具有自然的图形距离：一对顶点之间的距离是de \ xef \ xac \ x81，是它们之间的路径中的最小边数，忽略边缘方向。令b \ xcf \ x83（v，r）表示以v \ xe2 \ x88 \ x88 V为中心的封闭半径r球，并且类似地表示de \ xef \ xac \ x81ne b \
b'for \ xce \ xb2，\ xce \ xb3 \ xe2 \ x88 \ x88 \ x88 \ xce \ x93。我们可以将其视为将标签的中心移至\ xce \ xb2 \ xe2 \ x88 \ x92 1。我们说，如果\ xce \ xb2 \ xb2 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x97 \ x97 \ xc2 \ xc2 \ xc2 \ xc2 \ xc2 \ xc2 \ xb5， \ xe2 \ x88 \ x88 \ xce \ x93，其中\ xce \ xb2 \ xe2 \ x88 \ x97表示pushforward。我们用prob \ xce \ x93（a \ xce \ x93）表示一组移位不变的概率度量。如果V是\ XEF \ XAC \ X81NITE集，我们可以考虑来自\ XCE \ X93的同构的SET HOM（\ XCE \ X93，SYM（V））到V的排列组。此集合有可能为空。Given \xcf\x83 \xe2\x88\x88 Hom(\xce\x93 , Sym( V )), we write the permutation which is the image of \xce\xb3 \xe2\x88\x88 \xce\x93 by \xcf\x83 \xce\xb3 .我们可以将导向图与\ xcf \ x83与Vertex Set V和I -LabeLed Edge（V，\ XCF \ X83 S I（V））相关联，每个I \ Xe2 \ X88 \ X88 \ X88 [R]和V \ XE2 \ X88 \ X88 \ X88 \ x88 v。任何\ xcf \ x83的图形都可以被认为是一个局部看起来像\ xce \ x93的\ xef \ xac \ x81nite系统，就像局部的大矩形网格看起来像Integer lattice Z r一样。\ xce \ x93或某些\ xcf \ x83的图可以具有自然的图形距离：一对顶点之间的距离是de \ xef \ xac \ x81，是它们之间的最小边数，忽略边缘方向。Let B \xcf\x83 ( v, R ) denote the closed radius- R ball centered at v \xe2\x88\x88 V , and similarly de\xef\xac\x81ne B \xce\x93 ( \xce\xb3, R ) for \xce\xb3 \xe2\x88\x88 \ xce \ x93。let \ xcf \ x83 \ xe2 \ x88 \ x88 hom（\ xce \ x93，sym（v））和x \ xe2 \ x88 \ x88 a v。\ xef \ xac \ x81nite与\ xef \ xac \ x81nite系统之间的对应关系是使用em-pirical Distributions建立的，我们现在是我们现在de \ xef \ xaC \ xac \ x81ne。对于任何V \ Xe2 \ x88 \ x88 V，有一种自然的方法可以将X提升到标签\ XCE \ XA0 \ XCF \ XCF \ X83 V X \ XE2 \ X88 \ X88 A \ XCE \ XCE \ X93，从将X V提起到根e。更准确地说，\ xce \ xa0 \ xcf \ x83 v x（\ xce \ xb3）= x \ xcf \ x83 \ xce \ xce \ xb3（v）。
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。