XiaoMi-AI文件搜索系统
World File Search System超分辨
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
跟踪和解释与超分辨率活细胞成像
抽象的哺乳动物基因组是通过远距离染色质相互作用来组织和调节的。由CCCTC结合因子（CTCF）形成的结构回路，并粘附于基因组中，而增强子在跨广阔的基因组距离上与启动子相互作用以调节基因表达。尽管基因组学和固定细胞成像方法有助于阐明染色质相互作用的许多方面，但时间信息通常会丢失。在这里，我们讨论3D超分辨率活细胞成像（SRLCI）如何解决有关染色质相互作用的染色体形成和溶解的开放问题。我们讨论了SRLCI实验设计，实施策略以及数据解释，并突出相关的陷阱。我们得出的结论是，尽管在技术要求的情况下，SRLCI AP-PARACHES可能会成为动态探测3D基因组结构和功能并研究增强子 - 启动子相互作用和染色质循环的关键工具。
超分辨率映射 - 化学反应驱动 - ...
图3：AU@MSIO 2纳米棒上的FDTD模拟。（a）模拟的例证。将带有波形k的p偏振ELD e注射在玻璃盖玻片上的Au@MSIO 2纳米棒上。源角度φ被视为⃗k和ˆ之间的角度。电动ELD在纳米棒的底部进行监测。（b，c）吸收（b）和散射（C）在532 nm处的横截面作为源角度的函数。纳米棒的面向（黑圆圈），如面板（a）或面向s的（绿色三角形）。TIRF的临界角度为61°。（d，e）电气强度| e | 2标准化为事件ELD强度| E 0 | 2在532 nm处，在Au纳米棒的底部监测的源角度为70°。如面板（a）或面向s的（e），纳米棒的定向（d）。
通过轻质横向抑制网络准确的MR图像超分辨率
近年来，卷积神经网络（CNN）表明了它们在MR图像超级分辨率（SR）任务上的优势。但是，许多当前的SR模型对计算和内存都有很大的要求，这些模型通常对磁共振成像（MRI）不友好，在这些磁共振成像（MRI）通常会受到限制。另一方面，大多数MRI实验中的一个基本考虑是如何减少扫描时间以改善患者舒适性并减少运动伪像。在这项工作中，我们通过提出一个有效且轻巧的模型来缓解问题，该模型支持快速培训和准确的SR推理。提出的网络的灵感来自横向抑制机制，该机制假设相邻神经元之间存在抑制作用。我们网络的骨干由几个横向抑制块组成，其中抑制作用由一堆级联的局部抑制单元明确实现。当模型量表很小时，明确抑制特征激活将进一步探索模型代表能力。为了更有效的特征提取，还使用了几种平行的扩张卷积直接从输入图像中提取浅特征。对典型MR图像进行的广泛实验表明，我们的横向抑制网络（LIN）比具有类似模型量表的其他轻量级模型的SR性能更好。
利用人工智能的水下图像超分辨率技术研发
近年来，随着新兴国家工业化进程加快、经济发展迅速，矿产资源需求不断增加，矿产资源可持续供给危机感不断增强，资源民族主义思潮回潮。引发资源供给结构变化，正处于重大变革时期。随着陆地资源日益枯竭，深海资源的勘探和采集研究正在快速进展。在日本的专属经济区和大陆架，已发现许多深海矿产资源潜力区，如含有金属和稀有元素的黑子型海底热液矿床、富钴结壳等。据估计，日本拥有世界最大的黑子型海底热液矿床潜在资源量，拥有仅次于美国的世界第二大富钴结壳潜在资源量。然而，如何将潜在有前景的海域缩小到具有资源吸引力的海域，这一方法尚未完全确立。此外，由于深海海底采矿技术刚刚起步，矿藏的勘探和开采活动仍处于起步阶段。因此，需要开发新的勘探技术并开发有效的采矿技术。此外，作为世界第三大经济体，日本强劲的工业活动和丰富的生活方式得益于其丰富的能源和资源储备，包括石油、天然气、铜和镍。换句话说，日本是世界上最大的能源和资源消费国之一。然而，日本自身的能源和资源并不多，目前大部分依赖从其他国家进口。此外，近年来，在亚洲经济高速增长的背景下，全球对这些资源和能源的需求急剧增加，日本确保稳定供应的难度加大。尤其是日本的石油、天然气、铜、镍等矿产资源几乎100%依赖海外，因此，海外资源竞争加剧、产地冲突、甚至经济形势的变化，供需环境的变化引起需求波动，使得资源价格长期呈上涨趋势，为资源价格波动创造了条件。随着人口向城市集中、老龄化导致的生活方式改变等原因，电气化不断推进，能源需求不断扩大，确保能源和资源对于改善人们的生活至关重要。因此，开发自己的海洋资源对日本来说极其重要。但对深海采矿车辆的实时监控研究较少，导致高效深海采矿变得困难。常规深海探测方法包括大地测量卫星遥感技术、船载声纳技术、自主水下机器人（AUV）巡航成像技术等，但这些方法难以实现实时探测，且存在易被篡改等问题。受环境影响较大，准确率较低。可见光成像系统的引入对于准确定位广阔海底的资源并有效收集至关重要。为此，我们开展了研究，利用先进的人工智能技术来克服这些问题。
通过传输实现多模态 CT 图像超分辨率 - NSF-PAR
多模态 CT 扫描，包括非造影 CT、CT 灌注和 CT 血管造影，广泛用于急性中风诊断和治疗计划。虽然每种成像模式在脑横截面特征可视化方面都有其优势，但不同模式的图像分辨率不同，这妨碍了放射科医生辨别一致但细微的可疑发现的能力。此外，更高的图像质量需要更高的辐射剂量，从而增加白内障形成和癌症诱发等健康风险。在这项工作中，我们提出了一种基于深度学习的方法 Transfer-GAN，该方法利用生成对抗网络和迁移学习来提高多模态 CT 图像分辨率并降低必要的辐射暴露。通过大量实验，我们证明，与不学习先验知识的训练相比，从多模态 CT 进行的迁移学习提供了显着的可视化和数量增强。
超分辨率荧光显微镜中的统计分子计数：朝向定量纳米镜
摘要。超分辨率显微镜迅速成为生命科学中的分析工具的重要性。一个引人注目的特征是能够使用（Live）细胞中荧光标记的La-Bel生物学单位，并且比传统的Mi-Croscopy允许的分辨率要高得多。然而，在观察到的流体团数方面，以这种方式获得的图像缺乏绝对强度量表。在本文中，我们讨论了对伴随它随之而来的这种流体团和统计挑战的艺术方法的状态。尤其是，我们建议通过单标记转换（SMS）显微镜生成的时间序列的调节方案，这使得可以从原始数据中以统计意义的方式量化标记数量。为此，我们对流膜片中的光子生成的整个过程进行建模，它们通过显微镜，检测和光电放大器在相机中的传播以及从显微镜图像中提取时间序列。这些建模步骤的核心是通过在两个时标（HTMM）上运行的新型隐藏的Markov模型对浮游机体动力学的仔细描述。在估计过程中，还推断出了流量转变速率的流动型数量，有关流体小子内部状态的动力学转变速率的信息。我们就将模型应用于模拟或测量的荧光痕迹时出现的计算问题，并说明了我们在模拟数据上的方法。关键词和短语：分子计数，超分辨率显微镜，定量纳米镜检查，生物物理学和计算生物学，无宿主隐藏的马尔可夫模型，统计变薄。