XiaoMi-AI文件搜索系统
World File Search System脑外科
用于移动电子产品和显示器的先进光学薄膜
Boyd Corporation 拥有 90 多年以客户为中心的业绩成功经验，是先进密封、热管理和保护解决方案领域的全球领导者。Boyd 于 1928 年从加州湾区的一家工业制造商起步，如今已发展成为一家充满活力的全球创新者。通过安全地探索太空来激发人类的好奇心。提高医疗保健和交通运输的安全性和灵活性。实现更快、更明亮、功能更强大且功率密度更高的技术。从自动驾驶汽车到脑外科手术、从空间站到智能农业、从高性能计算设备到可穿戴医疗技术。随着我们的客户重新定义他们的市场和技术，Boyd 的独特解决方案将助力他们实现目标。
使用 DNN 算法检测脑肿瘤
摘要：机器学习为科学家实现伟大的技术壮举提供了途径。在图像检测和分割方面取得显著成果的算法被称为深度神经网络。为了增强和完善这些技术，我们提出了一种利用堆叠自动编码器的 DNN 结构。活检用于对脑肿瘤进行分类，通常不会在确定性脑外科手术之前进行。机器学习的进步将有助于协助放射科医生在不使用侵入性手术的情况下进行肿瘤诊断。我们利用它的速度和以人为本的优势来改进医学成像设施。随着训练速度和准确性的提高，机器学习可以为医务人员打开新的大门。它将简化理解人脑的过程，并节省大量时间，避免手动扫描医学图像的计算负担。关键词：深度神经网络 (DNN)、卷积神经网络、自动编码器、脑肿瘤、机器学习
一周完全的皮质失明后，一个非常罕见的完全视觉恢复的案例，燃烧后两只眼睛都没有光感知
皮质失明是一种神经系统疾病，是由于枕叶中的基因藻氨酸途径破坏，导致双侧视力丧失[1]，并以正常的基础镜头，眼部运动和瞳孔功能为特征[1]。这是枕皮质损伤[2]因不同病因而引起的失明的重要原因。皮质失明在存在/不存在视觉功能，严重程度，视觉不足的意识以及在不同患者中恢复功能的幅度方面有所不同[3]。尽管由于脑缺血和缺血，但皮质失明可能是燃烧的继发性，但很少有报道。燃烧的机制可能是通过导致流向大脑的血液流动的破坏，从而导致脑部灌注灌注，这可能会导致视觉皮质区域的参与导致皮质失明。尽管皮质失明可能在脑外科手术中很常见，头部创伤[4]，但中风等等，但在烧伤患者中非常罕见。
Ramy A. Zeineldin*、Alex Pollok**、Tim Mangliers**、Mohamed E. Karar、Franziska Mathis- Ullrich 和 Oliver Burgert 胸罩的深度自动分割
摘要：术中成像可帮助神经外科医生确定脑肿瘤和其他周围脑结构。介入超声 (iUS) 是一种方便的检查方式，扫描时间快。然而，iUS 数据可能受到噪声和伪影的影响，从而限制了它们在脑外科手术期间的解释。在这项工作中，我们使用两个深度学习网络，即 UNet 和 TransUNet，对 iUS 数据中的脑肿瘤进行自动和准确的分割。实验是在 27 个 iUS 体积的数据集上进行的。结果表明，使用带有 UNet 的转换器有利于提供有效的分割建模，从而对每个 iUS 图像之间的长距离依赖关系进行建模。特别是，增强型 TransUNet 能够以超过 125 FPS 的推理率预测 iUS 数据中的腔体分割。这些有希望的结果表明，深度学习网络可以成功部署以协助手术室中的神经外科医生。
脑导航手术的设备、技巧和窍门
摘要 神经导航是由先进的术中设备组成的系统，该系统在数字图像和解剖结构之间建立虚拟链接，以便精确定位和安全有效地切除轴内病变。因此，与没有神经导航的时代相比，神经导航极大地提高了脑和脊髓手术的成功率。本文回顾并强调了神经导航的好处、所用设备、设备设置、术前准备患者图像的技巧和窍门以及神经导航和设备的未来前景，这些方面在文献中非常罕见。本文介绍了一种常用的神经导航系统，包括其部件、设置、说明和技巧和窍门。这篇叙述性综述让读者掌握神经导航的主要方面、所有方面的功能以及脑外科手术期间的预期情况。尽管世界上大多数发达地区都提供神经导航培训，但在欠发达国家和发展中国家，由于缺乏设备，大多数神经外科医生无法获得第一手经验。本文旨在帮助不熟悉神经导航的神经外科医生降低学习难度。
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。
修剪神经网络中相互抵消的权重
如果神经网络规模较大，则往往在训练时获得更高的准确度，即使生成的模型参数过多。但是，在训练之前、之中或之后小心地删除过多的参数，也可能产生准确度相似甚至更高的模型。在许多情况下，这可以通过简单的启发式方法实现，例如删除一定比例的绝对值最小的权重，即使绝对值并不是权重相关性的完美指标。在获得明显更佳的剪枝性能取决于考虑删除多个权重的综合影响这一前提下，我们重新审视了基于影响的剪枝的经典方法之一：最佳脑外科医生 (OBS)。我们提出了一种易于处理的启发式方法来解决 OBS 的组合扩展，其中我们选择要同时删除的权重，并将其与未剪枝权重的单次系统更新相结合。我们的选择方法在高稀疏性方面优于其他方法，如果在这些方法之后应用单次权重更新，也会很有优势。源代码：github.com/yuxwind/CBS。
35th -ALS/MND国际研讨会
加拿大是世界上一些最壮观，最美丽的风景，也是“有趣”的天气。如果您本周感到寒冷，您可能会知道自己知道它不如1859年1月10日上午7点那样严重，当时蒙特利尔注册-42°C（-44°F）。加拿大科学家和发明者负责与医学和神经科学世界有关的许多发现，包括发现胰岛素，被确认是对一个14岁男孩的有效治疗方法，该男孩显着改善了。这个故事说明，一旦理解了疾病的机制，有效的治疗就成为可能，也许N-1-1试验也有其位置。在ALS/ MND中，我们正在缓慢但肯定地朝着更大的理解方向移动，尤其是对于基因疗法，开始在开发有效治疗方面取得良好的进步。蒙特利尔还举办了蒙特利尔神经学研究所，该研究所开创了脑外科手术和映射脑功能的工作，并且是Hebbian理论的所在地：“将电线的神经元一起发射在一起”，这是我们对神经可塑性和修复的理解的基础。
脑肿瘤成像中的人工智能
摘要：人工智能 (AI) 的应用正在加速向患者量身定制的脑肿瘤管理模式转变，实现每个个体的最佳肿瘤功能平衡。基于 AI 的模型可以对诊断和治疗过程的不同阶段产生积极影响。虽然组织学研究仍然难以取代，但在不久的将来，放射组学方法将允许对病变进行互补、可重复和非侵入性表征，协助肿瘤学家和神经外科医生选择最佳治疗方案和化疗中的正确分子靶点。人工智能驱动的工具已经在手术规划中发挥重要作用，界定病变的范围（分割）及其与大脑结构的关系，从而允许在合理可接受的范围内进行精准脑外科手术，以保持生活质量。最后，人工智能辅助模型可以预测并发症、复发和治疗反应，从而提出最合适的后续治疗方案。展望未来，人工智能模型有望整合生化和临床数据来分层风险并指导患者进行个性化筛查方案。