XiaoMi-AI文件搜索系统
World File Search System粗脂
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。
荧光探针和脂质
NBD探针对环境敏感，对胺和硫醇高度反应。 这种环境敏感性提供了关键优势，可促进生物分子相互作用和缓冲系统内的自组装。 硝基群的强大电子撤回性质导致NBD衍生能够进行芳族替代（如果存在合适的离开组），从而帮助研究人员开发了各种不同的感应基序来为生物核粒子。 这些关键的化学特性导致荧光团易于化学修饰，并且可以连接到多种蛋白质以及其他生物分子上。 由于可以将NBD固定在生物分子上，因此它使NBD化合物在脂质膜研究，溶酶体脂质体分析和药物筛查中具有宝贵的资产。NBD探针对环境敏感，对胺和硫醇高度反应。这种环境敏感性提供了关键优势，可促进生物分子相互作用和缓冲系统内的自组装。硝基群的强大电子撤回性质导致NBD衍生能够进行芳族替代（如果存在合适的离开组），从而帮助研究人员开发了各种不同的感应基序来为生物核粒子。这些关键的化学特性导致荧光团易于化学修饰，并且可以连接到多种蛋白质以及其他生物分子上。由于可以将NBD固定在生物分子上，因此它使NBD化合物在脂质膜研究，溶酶体脂质体分析和药物筛查中具有宝贵的资产。
牙科干细胞和脂多糖
1 conahcyt -fcultod de ingenier iga云母，校园eCtectas extcectas and ingenierí，AS，AS，Universidad aut至deyucatán，佩里夫（Perif）是Rico Norte kil kilorro 33.5 ÁN，墨西哥2实验室traslacional decélulastruncals de la cavidad bucal，dentologicaliologolicy a，Universidad auto auto noma deyucatáN，Calle 61-A＃492-A＃492-A AV。itzaes Costado sur“ Parque de la Paz”，Contro上校，MéridaCp 97000，墨西哥YucatáN，墨西哥； AngelicAserralta@gmail.com 3微生物学系口服生物学系，分子，院士，Dentalyogi a，Universidad autoautónomadeYucatáN，Calle 61-A＃492-A＃492-A AV。itzaes Costado sur“ Parque de la Paz”，Contro上校，MéridaCp 97000，墨西哥YucatáN，墨西哥； hsolis@correo.uady.mx（S.E.H.-S.）; gordillo@correo.uady.mx（F.R.-G.）4 cotultad de Ingenieri forimi云母，校园，de ciezciasectectas和ingenierí，AS，AS，UniversiDadautónomadeyucatán大学éridaCP 97203，YucatáN，墨西哥 *通信：beatriz.rodas@correo.uady.mx
脂质挥发性和糖尿病
糖尿病血脂异常的特征是高甘油酸，低HDL（高密度脂蛋白） - 胆固醇，胆固醇，LDL升高（低密度脂蛋白） - 胆固醇 - 胆固醇和小型致密LDL的占主导地位，导致2型糖尿病的胰岛素抗性引起的胰岛素抑制作用或胰岛素抑制作用或类型1糖尿病。血脂异常是糖尿病动脉粥样硬化心血管疾病的主要危险因素，降低脂质水平可以降低其发病率和死亡率。当前的血脂异常管理指南建议LDL-C目标低于55〜100 mg/dl，具体取决于潜在的危险因素。然而，胆固醇水平的较高的访问访问性变异性可能是主要不良心血管事件的独立预测指标，糖尿病的肾脏结局差。在这篇综述中，我们关注糖尿病中脂质变异性的临床意义。
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。