XiaoMi-AI文件搜索系统
World File Search System量减少
内皮素 B 受体突变与脑容量减少有关，这是先天性巨结肠症的一个病因
摘要背景：据报道，ET B 可调节胎儿发育中的神经发生和血管调节。已知其功能障碍会导致 HSCR，这是一种无神经节结肠疾病，其综合征形式据报道与小头和发育迟缓有关。因此，我们问道：“中枢神经系统发育不良是 ET B 突变的更普遍特征吗？”为了进行调查，我们查看了 ET B − / − 模型动物 sl/sl 大鼠的微型 CT 扫描，并定量评估了其大脑成分的结构变化。方法：处死 11 只由 ET B + / − 杂交产生的新生大鼠。按照 1.5% 碘染色方案完成微型 CT 扫描。检查所有扫描的形态变化。选定的器官在 NLM 过滤后以半自动方式分割：TBr、T-CC、T-CP、OB、Med、Cer、Pit 和 S&I Col。使用 Drishti 渲染软件进行体积测量。分析后完成大鼠基因分型。基于常染色体隐性遗传，对 sl/sl 组和对照组的器官体积、器官生长率和器官体积/体重比进行统计比较。还进行了单因素方差分析以评估潜在的剂量依赖性效应。结果：sl/sl 大鼠的体重比对照组低 16.32%，生长率低 3.53%。sl/sl 大鼠的大体颅内形态得以保留。然而，在 TBr 中检测到显著的体积减少 20.33%；T-CC、T-CP、OB、Med 和 Pit 的测量值也出现了类似的减少。 sl/sl 大鼠的脑和选定成分的生长率始终较低，降低幅度从 6.21% 到 11.51% 不等。sl/sl 大鼠的器官体积/体重比较低，反映出神经变化与体型不成比例。ET B 拷贝数与颅内器官大小或生长率之间不存在一致的线性关系。结论：尽管 ET B − / − 突变体具有正常的中枢神经系统形态，但检测到脑和成分的尺寸显著减小。这些结构变化可能是由 ET-1/ET-3/ET B 信号传导功能障碍引起的多种因素共同引起的，包括 HSCR 引起的营养不良导致的整体生长障碍以及神经发生、血管生成和脑血管控制失调。这些变化具有重要的临床意义，例如自主神经功能障碍或智力迟钝。虽然有必要进行进一步的人体研究，但我们的研究表明，至少在 ET B − / − 亚型中，HSCR 患者需要综合管理。关键词：神经解剖学、内皮素-B 突变、神经损伤、点状致死大鼠、先天性巨结肠
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
采用深度学习方法分割胎儿脑部 MRI 中发育皮层，并尽量减少手动标记
我们开发了一个基于深度神经网络的自动化系统，用于快速、灵敏地对胎儿脑 MRI 中的皮质灰质进行 3D 图像分割。缺乏广泛/公开可用的注释是一个关键挑战，因为通常需要大量标记数据来训练具有深度学习的敏感模型。为了解决这个问题，我们：(i) 使用 Draw-EM 算法生成初步组织标签，该算法使用期望最大化，最初设计用于新生儿领域的组织分割；(ii) 采用人机交互方法，由专家胎儿成像注释员评估和改进模型的性能。通过使用将自动生成的标签与专家的手动细化相结合的混合方法，我们扩大了基本事实注释的效用，同时大大降低了它们的成本（283 片）。深度学习系统是在从发展人类连接组项目的胎儿队列中获得的 249 个 3D T2 加权扫描中开发的，这些扫描是在 3T 获得的。系统分析表明，该系统不受扫描时的胎龄影响，因为尽管胎儿皮质形态和强度存在差异，但该系统可以很好地推广到很宽的年龄范围（21-38 周）。还发现该系统不受大脑周围区域（羊水）强度的影响，而羊水通常是胎儿领域神经成像数据处理的主要障碍。关键词：胎儿、发育、大脑、皮质、灰质、3D 分割、深度学习。