XiaoMi-AI文件搜索系统
World File Search System空间关系
心脏超声视图的现实世界视频导航
摘要。超声心动图（ECHO）通常用于协助诊断心血管疾病（CVD）。但是，通过操纵探测器需要手动进行标准化的回声视图获取，需要对超声检查员进行大量的经验和培训。在这项工作中，我们提出了一个用于心脏超声视图计划的视觉导航系统，旨在帮助新手超声波检查员准确获取CVDS诊断所需的视图。系统引入了视图功能提取器，以探索源框架视图之间的空间关系，学习不同框架之间的相对旋转以进行网络回归，从而促进了转移学习以提高识别特定目标平面的准确性和鲁棒性。另外，我们会提出目标一致性损失，以确保在同一扫描中回归到同一目标平面内的帧。实验性销售表明，顶部四腔视图（A4C）中的平均误差可以降低至7.055度。此外，实际临床验证的结果表明，在视觉导航系统的指导下，获取A4C视图的平均时间至少可以减少3.86次，这对新手超声波师的临床实践有启发性。
![arxiv：2501.07994v1 [cs.cv] 2025年1月14日](/simg/c\cf0bc4d3de0f3d3629290402e430b2d6c96cb963.webp)
arxiv：2501.07994v1 [cs.cv] 2025年1月14日
阿尔茨海默氏病（AD）是一种进行性神经退行性疾病，导致大量记忆力障碍，使早期诊断至关重要[1]。此外，使用MRI预测大脑年龄已成为识别与各种神经病理相关的成像生物标志物的临床重要方法。许多研究提出了脑年龄预测作为表征这些条件的一种手段[2]。神经影像学，例如结构性MRI，已无法诊断。随着大规模数据集的可用性，应用复杂的毕生学习算法激增，以增强我们对神经退行性疾病的理解和预测能力[3，4]。大脑结构的复杂解剖结构需要采用完全捕获空间关系和几何特性的同样的方法。自动分割技术的进步[4]，促进了医学图像的解剖形状。提取的形状然后可以表示为网格，从而使强大的图形神经网络（GNNS）用于学习几何特征。在本文中，我们提出了一种深度学习方法，该方法具有从结构MRI提取的大脑形状特征的成像特征，以提高大脑年龄回归和AD分类的预测准确性。我们的方法
基于 Transformer 架构的脑电图注意力估计时空分析
摘要 — 多年来，了解大脑机制一直是许多不同领域的重大研究课题。脑信号处理，尤其是脑电图 (EEG) 近年来引起了学术界和工业界的日益浓厚兴趣。其中一个主要例子是旨在连接大脑和计算机的脑机接口 (BCI) 数量的不断增加。在本文中，我们提出了一个新颖的框架，使我们能够从 EEG 信号中检索注意力状态，即对特定任务的关注程度。以前的方法通常通过电极考虑 EEG 中的空间关系，并在基于循环或卷积的架构中对其进行处理，而我们在此建议还利用基于变压器的网络来利用空间和时间信息，该网络已经在许多机器学习 (ML) 相关研究（例如机器翻译）中显示出其优势。除了这种新颖的架构之外，还对特征提取方法、频带和时间窗口长度进行了广泛的研究。所提出的网络已在两个公共数据集上进行了训练和验证，与最先进的模型相比取得了更高的结果。除了提出更好的结果外，该框架还可以用于实际应用，例如注意力缺陷多动障碍 (ADHD) 症状或驾驶评估期间的警惕性。
使用GPU和多线程的优化视觉变压器训练
摘要 - 传统的卷积神经网络（CNN）通常在捕获各种数据集中的复杂空间关系和细微的模式方面遇到困难。为了克服这些限制，这项工作先驱，使视觉变压器（VIT）模型的应用在计算机视觉领域引起了显着关注，因为它们能够通过自我意见机制在图像中捕获图像中的长期依赖性的能力。然而，培训大量参数的大规模VIT模型会带来计算挑战。在本文中，我们提出了一种优化的方法，用于培训VIT模型，该模型利用图形处理单元（GPU）的并行处理功能，并使用多线程优化了计算工作负载分布。在CIFAR-10数据集上对所提出的模型进行了训练和测试，并在100个时期后达到了99.92％的出色精度。与现有方法相比，实验结果揭示了我们方法在优化训练效率方面的有效性。这强调了VIT模型的出色性能及其革新图像分类任务的潜力。索引术语 - CIFAR-10数据集，卷积神经网络（CNN），GPU，图像分类，多线程，视觉变压器（VIT），注意机制
![arxiv：2411.18623v1 [cs.cv] 2024年11月27日](/simg/f\ffb70dc031055f868005f7e395f79b8254f9bcda.webp)
arxiv：2411.18623v1 [cs.cv] 2024年11月27日
基于视觉的操纵政策的基本目标是了解场景并预测相应的3D姿势。一些现有的方法利用2D图像作为输入来直接预测3D末代效果通过增强学习[1、12、21、30、50、83]或模仿学习[6、13、13、18、39、43、43、46、94、98]。尽管这些方法可以有效地处理一系列操纵任务，但它们不完全了解物理世界中的空间关系和3D结构[16，19，67，69，95]。在机器人操作中，3D几何信息对于应对复杂任务至关重要，因为机器人必须感知3D环境，有关几何关系的原因以及具有复杂的空间配置。最近的研究越来越集中于机器人操作任务中3D特征表示的明确提取，可以将其分为两组。一方面，某些方法直接编码点云数据[8、32、49、69、73、86、93]，要么训练从头开始训练3D策略模型，要么是对预处理的点云启动器（即PointNetNet ++ [58]和PointNext [59]）。然而，大规模机器人3D数据和基础模型的有限可用性限制了其概括性的capabilies。此外，处理3D或体素特征会在现实世界应用中造成大量的计算成本，阻碍可伸缩性和实用性。”为了解决这个问题，我们提出了Lift3D框架，该工作提升了基于变压器的2D基础模型（例如Dinov2 [56]或Clip [61]）以构建Ro-Bust 3D操纵策略逐步。另一方面，某些方法涉及转换方式，例如将预验证的2D特征提升为3D空间[22，36，67，78]，或将3D点云投影到多视图图像中，以输入2D预审计的模型[23，24，76，89]。尽管在几个下游的射击任务上表现出了有希望的表现，但这些模态转换不可避免地会导致空间信息的丧失，阻碍了机器人的痛苦，以了解3D空间关系。基于上述3D政策的挑战，我们提出了一个问题：“我们可以开发一个3D策略模型，该模型集成了大规模预审计的知识，同时结合了完整的3D空间数据输入？Lift3D的主要见解首先是增强隐式3D机器人代表，然后明确编码点云数据以进行策略模仿学习。对于隐式3D机器人表示，我们设计了一种任务意识的蒙版自动编码器（MAE），该自动编码器（MAE）以自我监督的方式处理2D图像并重建3D地理信息，如图1 A所示）。具体来说，我们利用机器人操作[25，55]的大规模未标记数据集，并利用多模型模型（即剪辑）来根据任务文本描述提取图像注意图。然后将这些注意图回到2D输入中，以引导MAE
人类和小鼠星形胶质细胞的综合交叉疾病图集揭示了神经变性中星形胶质细胞亚型的异质性和保守性
星形胶质细胞在中枢神经系统稳态和神经炎症中起着关键作用。尽管在单细胞分析中取得了进步，但神经退行性疾病中反应性星形胶质细胞的异质性，尤其是整个物种的异质性。在这里，我们提出了来自阿尔茨海默氏症（AD）小鼠模型和多发性硬化症（MS）的187,000个星形胶质细胞的整合地图集，以及来自AD，MS和Parkinson's（PD）患者的438,000个星形胶质细胞。我们的分析确定了四个不同的小鼠星形胶质细胞簇，包括两个与疾病相关的星形胶质细胞（DAA）簇DAA1和DAA2。daa1表现出类似于急性刺激的反应，包括内毒素血症，而DAA2表示众所周知的AD风险基因。在AD模型中，DAA1和DAA2与淀粉样斑块表现出不同的空间关系。在人类中，我们确定了八个不同的星形胶质细胞簇，其中包括体内平衡和疾病相关的亚型。跨物种分析联系了与疾病相关的簇，同时也突出了其他人的表达。我们的星形胶质细胞地图集可通过用户友好的，可搜索的网站提供：http：//research-pub.gene.com/astrotlas/。
Kostenko, Inesa (2020) 国际空间法的当前问题与挑战：法律方面。《高级空间法》，第 5 卷，第 48-57 页。https://doi.or
本文致力于研究和调查国际空间法领域的当代法律问题。今天，我们目睹了航天工业的快速和不可阻挡的发展。这种合作需要适当的法律框架。在本文中，我们将回顾当今规范外层空间关系的主要规范性法律行为，并分析当前的发展趋势和问题。空间法是国际公法的一个相对较新的分支，涉及习惯法和条约的结合。航天工业的立法框架正在根据受监管的主题进行相应扩展。本文研究的主要问题之一是寻求人类自由进入太空与建立外层空间某些研究对象所有权的机会之间的平衡。发展私营企业、公司、研究中心的所有权的能力对于航天工业的经济发展极为重要。本文旨在全面了解空间法的当前趋势和挑战，特别强调太空旅游、“新空间”和气候变化等问题。本文将研究空间法的创始条约、法律框架和有关空间法的科学文献。本文的主要目标是突出太空研究的新趋势和前景，探索当今外层空间领域的新视角，并在立法监管框架内寻找解决问题的方法。关键词：联合国外层空间事务办公室、欧洲航天局、欧洲空间研究组织、空间条约、空间、旅游、私有化、商业化、新空间、气候变化、碎片。
自动分割主动脉瓣和二尖瓣，用于肥厚性阻塞性心肌病的心脏外科手术计划
肥厚性阻塞性心肌病（HOCM）是年轻人突然心脏死亡的主要原因。隔膜切除术手术被认为是HOCM非药物治疗的黄金标准，其中主动脉和二尖瓣是手术计划的关键区域。当前，在临床实践中广泛执行主动脉和二尖瓣的手动分割，以构建用于HOCM手术计划的3D模型。但是，这样的过程是耗时且昂贵的。在本文中，我们将解剖学的先验知识介绍为自动分割主动脉和二尖瓣的深度学习。特别是提出了一种两阶段的方法：我们首先从CT图像中获得感兴趣的（ROI），然后进行心脏分割。心脏子结构之间的空间关系用于识别包含主动脉瓣和二尖瓣的瓣膜区域。与典型的两阶段方法不同，我们为左心室的精制分割，左心房和主动脉作为阀门分割的附加输入。通过纳入这些解剖学先验知识，深度神经网络（DNN）可以利用周围的解剖结构来改善阀门细分。，我们收集了一个具有隔膜切除术手术病史的患者的27个CT图像的数据集。实验结果表明，我们的方法的平均骰子得分为71.2％，比现有方法提高了4.2％。我们的数据集和代码将发布到公共数据集。关键字：肥厚的阻塞性心肌病，外科手术计划，分割，深神经网络。
使用基础模型
我们解决了场景中检测出偏置（OOC）对象的问题。给定图像，我们的目的是确定图像是否具有在通常的上下文中不存在的对象并定位此类OOC对象。现有的OOC检测方法取决于根据手动构造的特征定义共同的上下文，例如对象的同时存在，对象之间的空间关系以及对象的形状和大小，然后学习给定数据集的上下文。但上下文通常是从非常普遍到非常令人惊讶的不等式的。，从特定数据集中获得的学习上下文可能不会被赋予一般性，因为数据集可能并不能真正代表上下文中事物的人类否定。是由大型语言模型的成功和更普遍的基础模型（FMS）在常识推理中的动机所激发的，我们研究了FM捕获上下文概念的FM的能力。我们发现，诸如GPT-4之类的预训练的FM提供了更细微的OOC概念，并且当与其他预训练的FMS结合以进行字幕生成（例如BLIP-2）（例如BLIP-2），并与sta-ble扩散2.0进行图像。我们的方法不需要任何数据集特定培训。我们在两个OOC对象检测数据集上演示了我们的AP的效率，在MIT-OOC数据集上实现了90.8％的零弹药精度，而IJCAI22-Coco-OC-OOC数据集则在IJCAI222222222的数据集上实现了87.26％。
使用增强和混合现实的子宫内膜癌中的哨兵淋巴结活检
前哨淋巴结活检提供了子宫内膜癌中全淋巴结清扫术的侵入性替代方案，从而减少并发症，同时保持诊断准确性。此病例报告强调了一名34岁的妇女接受机器人辅助手术的子宫内膜癌的妇女的整合和增强现实（AR）的整合。术前成像结合了单光子发射计算机断层扫描和计算机断层扫描确定的前哨淋巴结，使用混合现实（MR）技术可视化。这种方法使手术团队能够准确地了解淋巴结与周围临界结构之间的三维空间关系。全息投影在手术过程中提供了精确的指导，改善了淋巴结识别并最大程度地减少了侵入性。未检测到淋巴结转移，但是由于腹膜中肿瘤播种，证实了国际妇科和妇产科联合会（FIGO）的诊断。患者接受了成功的辅助化疗，未观察到复发。本报告证明了全息图和AR增强空间意识和手术精度的重要潜力。这些技术代表了患有妇科癌症患者的哨兵淋巴结活检的有希望的进步，这有助于降低手术侵入性和减轻外科医生的压力。