XiaoMi-AI文件搜索系统
World File Search System结构连接
MCGNet+：基于余弦相似度的改进运动想象分类
解决运动想象分类问题一直是脑信息学领域的难题。由于计算能力和算法可用性无法满足复杂的脑信号分析，准确度和效率是过去几十年运动想象分析的主要障碍。近年来，机器学习（ML）方法的快速发展使人们能够用更有效的方法来解决运动想象分类问题。在各种ML方法中，图神经网络（GNN）方法在处理相互关联的复杂网络方面显示出了其效率和准确性。GNN的使用为从大脑结构连接中提取特征提供了新的可能性。在本文中，我们提出了一种名为MCGNet +的新模型，它提高了我们之前的模型MutualGraphNet的性能。在这个最新的模型中，输入列的互信息形成了列间余弦相似度计算的初始邻接矩阵，从而在每次迭代中生成一个新的邻接矩阵。动态邻接矩阵与时空图卷积网络（ST-GCN）相结合，比不变矩阵模型具有更好的性能。实验结果表明，MCGNet+具有足够的鲁棒性来学习可解释的特征，并且优于目前最先进的方法。
![arxiv：2307.09283v8 [CS.CV] 2024年3月14日](/simg/g:\will\search\icon\source\2\231e683527f9f038ee06512ba838618d224b6bd2.webp)
arxiv：2307.09283v8 [CS.CV] 2024年3月14日
最近，在资源受限的移动设备上，轻巧的视觉变形金刚（VITS）具有出色的性能和较低的潜伏期，与轻量级卷积神经网络（CNNS）组成。搜索者发现了轻巧的VIT和轻量级CNN之间的许多结构连接。但是，尚未对块结构，宏和微观设计的显着建筑差异进行检查。在这项研究中，我们从VIT的角度和震撼人心的移动设备前景中重新审视了轻量级CNN的有效性。指定，我们通过集成了轻量级VIT的有效建筑设计，从而增强了标准轻量级CNN（即Mobilenetv3）的移动友好性。这最终带有一个新的纯轻质CNN家族，即重新投资。广泛的实验表明，重新投资优于现有的最先进的轻量级VIT，并在各种视觉任务中表现出有利的延迟。值得注意的是，在ImageNet上，Repvit在iPhone 12上以1.0毫秒的延迟达到了80％的前1次精度，这是我们最佳的首次使用轻量级型号。此外，当Repvit与SAM遇到SAM时，我们的Repvit-SAM比Advanced Mobilesam可以实现近10×的推理。代码和模型可在https：//github.com/thu-mig/repvit上找到。
拉伸强度和抗拉强度的实验量化...
欠匹配铝焊缝的抗拉强度和延展性的实验量化 1. 目标。a. 本项目将通过实验测试具有欠匹配焊缝的铝制船舶结构连接细节，以更好地了解这些连接的能力，并创建测试数据库以供将来的设计方法验证。2. 背景。a. 铝结构可为许多船舶提供高达 50% 的结构重量节省潜力，从而降低燃料消耗并提高许多时间敏感或吃水受限应用的经济性。b. 设计铝结构的一个关键挑战是处理用于组装结构的欠匹配熔焊。与大多数钢材不同，船用铝合金在焊缝热影响区 (HAZ) 的强度会降低，达到原材料强度的 50%。然而，对焊接铝船舶结构的拉伸强度的研究很少。初步评估得出结论，目前的方法不足以设计复杂的连接。海洋工程和土木工程界已就此问题进行了更广泛的研究，但这些研究并未涉及海洋细节。c. 欠匹配焊缝的主要问题是，在极端拉伸载荷下，塑性变形会集中在欠匹配区域，导致这些区域出现高应变并最终发生延性失效。鉴于其余
人类生命周期中大脑皮层连接的模块化组织
人类大脑的网络结构有助于塑造神经活动，影响认知和行为过程。在整个生命周期中都可以获得神经影像数据，这使我们能够监测这种结构如何重组，以及如何受到学习、适应、成熟和衰老等过程的影响。可以使用网络科学工具分析大脑连接的变化模式，这可用于揭示模块化网络拓扑等组织原则。网络模块的识别至关重要，因为它们将大脑解析为连贯的子系统，并允许不同大脑区域之间进行功能整合和分离。在这项工作中，我们通过开发基于集合的多层网络方法来研究大脑的模块化组织，这使我们能够将结构连接模式的变化与发育和衰老联系起来。我们表明模块化结构表现出线性和非线性的年龄相关趋势。在生命早期和晚期，社区更加模块化，我们将这种高模块化的起源追溯到大脑连接的两个不同基础，与集群内边缘的数量和权重有关。我们还表明，衰老会导致模块逐渐重新配置，并在半球之间重新分布。最后，我们确定了对网络重构贡献最大的大脑区域以及在整个生命周期中保持更稳定的大脑区域。
机器学习的扩散 MRI
摘要 — 脑的弥散加权磁共振成像 (dMRI) 具有独特的功能，包括无创探测组织微结构和结构连接。它广泛用于疾病和损伤的临床评估以及神经科学研究。分析 dMRI 数据以提取用于医学和科学目的的有用信息可能具有挑战性。dMRI 测量可能会受到强噪声和伪影的影响，并且可能表现出数据在会话间和扫描仪间的高度可变性，以及脑结构在受试者间异质性。此外，测量值与感兴趣现象之间的关系可能非常复杂。近年来，机器学习方法在 dMRI 分析中的应用越来越多。本文旨在评估这些努力，重点关注解决数据预处理和协调、微结构映射、纤维束成像和白质束分析的方法。我们研究现有方法的主要发现、优点和缺点，并提出未来研究的主题。我们发现机器学习可能非常适合解决 dMRI 分析中的一些困难任务。然而，要实现这一点，需要解决现有方法的几个缺点和尚未解决的关键问题。迫切需要改进评估实践，增加丰富的训练数据集和验证基准的可用性，以及模型的通用性、可靠性和可解释性问题。
引用Vergni D，Stolfip和Pascarella a（2024），关于网络传播，有希望的模型超出网络扩散，以描述退化BR
神经系统污染可能是可以帮助恢复大脑健康的方法的发展（Raj等，2012; Poudel等，2020）。从引入术语Connectome（Sporns等，2005）中，当它的确切结构在很大程度上未知时，直到今天，还进行了一些研究来研究Connectome非常复杂的网络（Bullmore和Sporns，2009）以及其中发生的动态过程（Avena-Koenigsberger等人，2018年）。尤其是人类连接组动力学以多个时间尺度发生，范围从毫秒到几年，并且使用了不同类型的测量设备来捕获它们（Mitra，2007）。这些不同的时间尺度揭示了大脑功能和行为的各个方面。最短的时间量表与功能性脑网络中的快速神经处理和信息交换有关。神经传递和突触通信在这项快节奏的活动中起着至关重要的作用。脑电图（EEG）和磁脑电图（MEG）是捕获这些快速电气信号的选择性技术。在较高的时间尺度上，从秒到几分钟，连接组的动力学与特定任务期间的认知过程和功能连接性变化有关。功能性MRI（fMRI）通常用于研究这些变化。例如，在记忆任务中，某些大脑区域可能表现出增加的功能活动，表明它们参与了记忆网络（Murphy等，2020）。静止状态fMRI用于研究内在的大脑活动，而个人没有执行任何特定的任务。从几分钟到几个小时，连接组的动力学与功能连通性中的静止状态相关（Smitha等，2017）。在较高时间尺度上发生的过程的示例，从几天到几年，学习，记忆巩固过程，大脑发育和认知能力下降。特别是，我们感兴趣的过程是在这些时间尺度上发生的创伤性脑损伤和退化性脑动力学。对于这类疾病，将功能信息与研究结构连接组引起的功能信息集成至关重要，这代表了不同大脑区域之间的解剖联系。扩散张量成像（DTI）和扩散加权成像（DWI）是创建结构连接组的主要常用MRI技术。我们选择使用由DTI和DWI数据产生的连接组，因为有证据表明它参与了神经疾病的传播（Torok等，2018; Weickenmeier等，2019; Wilson等，2023）。然而，重要的是要强调，这项工作中提出的方法独立于一个人决定使用的类型（无论是基于功能，接近性，突触连接还是大脑生理学的其他结构）；必须选择最合适的网络以准确描述给定神经病理的传播。越来越多的关于退化性脑疾病的作品（Raj等，2012; Raj等，2015; Pandya等，2019）和创伤性脑损伤（Poudel等，2020）使用网络扩散作为一种有缺乏的和预测的动力学模型。在所有需要建模某种网络动力学的应用中，网络扩散过程（也称为热扩散过程）变得越来越重要。应用程序领域是机器学习最多的，例如（例如，（Hofmann等，2008）和最近的（Stolfif et al。，2023））到网络生物学（请参阅（Carlin等，2017）和
胎儿大脑中的白质束交叉和瓶颈区域
人们越来越有兴趣使用扩散 MRI 研究胎儿大脑的白质束和结构连接。数据采集和处理方面的最新进展表明，这种成像方式在阐明子宫内神经发育的正常和异常模式方面具有独特的作用。然而，还没有努力量化交叉束和瓶颈区域的普遍性，这是成人大脑中已广泛研究的重要问题。在这项工作中，我们确定了妊娠 23 至 36 周之间具有交叉束和瓶颈的大脑区域。我们对 59 个胎儿脑部扫描进行了概率纤维束成像，并提取了一组 51 个不同的白质束，我们将其分为 10 个主要的束束组。我们分析了结果以确定束交叉和瓶颈的模式。我们的结果表明，20-25% 的白质体素包含两个或三个交叉束。瓶颈现象更为普遍。75-80% 的体素被描述为瓶颈现象，超过 40% 的体素涉及四个或更多束。这项研究的结果强调了胎儿脑纤维束成像和结构连通性评估的挑战，并呼吁创新的图像采集和分析方法来缓解这些问题。
Zhengwu Zhang (last update: 10/31/2024)
荣誉与奖项 • 北卡罗来纳大学教堂山分校初级教师发展奖，2022 年 • 橡树岭联合大学 Ralph E. Powe 初级教师提升奖，2022 年 • 《美国统计协会杂志（应用与案例研究）》讨论论文，2022 年 • 指导论文在 ASA 成像统计方法分会主办的论文竞赛中获得亚军。论文标题“用于脑结构连接组分析的优化扩散成像”，2022 年 • RA Bradley 奖，佛罗里达州立大学统计系最佳博士论文，2015 年 • 研究生研究与创造力奖。每年仅有两名从 STEM 领域中选出的获奖者，佛罗里达州立大学，2015 年 • CVPR 2015 博士生联盟旅行奖，波士顿，2015 年 • 永元和 Anna Li 奖，佛罗里达州立大学统计系最佳研究生演讲奖，2015 年 • Brumback 奖，佛罗里达州分会 ASA 会议上的最佳学生演讲奖，2012 年 • 佛罗里达州立大学理论统计学最佳一年级学生，2011 年 • 华南理工大学优秀学生计划（前 5%），2005 年
来自健康受试者的生成全脑动力学模型预测单个患者水平的中风的功能改变
计算全脑模型基于局部模型，区域间功能相互作用以及指定区域间连接强度的结构连接组来描述每个大脑区域的静息活动。损害了构成这些模型的骨干的健康构成构成连接组，并在区域间功能相互作用中产生巨大变化。这些相互作用通常是通过将两个大脑区域之间的活动的时间序列相关联，该过程称为静止功能连接。我们表明，添加有关患者病变产生的结构断开信息的信息，以前是先前对来自大量健康受试者的结构和功能数据进行培训的全脑模型，可以预测患者的静止功能连接性，并直接适合该模型的数据，直接适合患者的数据（Pearson Earleration = 0.37 = 0.37 = 0.37;均一差异= 0.005）。此外，模型动力学再现了基于功能连通性的措施，这些措施通常是中风患者中的MAL和特异性分离这些异常的措施。因此，尽管全脑模型通常涉及大量自由参数，但结果表明，即使固定了这些参数，该模型也会从与训练模型的人群截然不同的人群中重现。除了验证模型外，这些结果还表明，该模型可以机械地捕获解剖结构与人脑的功能活性之间的关系。
住宅计划要求：
（由申请人完成并与申请表一起提交）提交文件 所有施工文件均可上传或以 PDF 格式传输。 桁架计算书的密封副本或图纸上的延期注释。如果需要，还提供横向计算书。 一份签名并注明日期的 Sierra Vista Sub-Watershed 文件副本（如适用）。 如果计划中未显示，则提供一份 Cochise County Lighting 工作表副本。地基平面图 显示完整尺寸地基布局的平面图。 提供基础类型、尺寸和钢筋的详细信息。 工程板的密封计算书和平面图（后张法、筏板等）。 锚固和压紧装置的位置和类型。 12 英寸或以上的回填压实报告（检查时注明并提供要求）。 显示 UFER 地面。屋顶/框架平面图 结构组件的平面图：梁、桁架、横梁和结构连接细节。 材料的尺寸、间距、种类和等级。 屋顶或框架平面图上引用的所有细节。 屋顶坡度、排水、排水孔和天窗。 管道平面图 显示 DWV 和水管尺寸和长度的示意图。 显示燃气管线示意图（包括长度、尺寸和 BTU 需求）。 提供 DWV、水装置单位表。