XiaoMi-AI文件搜索系统
World File Search System骰子
识别 GPU 微架构漏洞的有效方法
摘要 — 图形处理单元 (GPU) 越来越多地被应用于可靠性至关重要的多个领域，例如自动驾驶汽车和自主系统。不幸的是，GPU 设备已被证明具有很高的错误率，而实时安全关键应用程序所施加的限制使得传统的（且昂贵的）基于复制的强化解决方案不足。这项工作提出了一种有效的方法来识别 GPU 模块中的架构易受攻击的位置，即如果损坏则最影响正确指令执行的位置。我们首先通过基于寄存器传输级 (RTL) 故障注入实验的创新方法来识别 GPU 模型的架构漏洞。然后，我们通过对已确定为关键的触发器应用选择性强化来减轻故障影响。我们评估了三种强化策略：三重模块冗余 (TMR)、针对 SET 的三重模块冗余 (∆ TMR) 和双联锁存储单元（骰子触发器）。在考虑功能单元、流水线寄存器和 Warp 调度器控制器的公开 GPU 模型 (FlexGripPlus) 上收集的结果表明，我们的方法可以容忍流水线寄存器中 85% 到 99% 的故障、功能单元中 50% 到 100% 的故障以及 Warp 调度器中高达 10% 的故障，同时降低硬件开销（与传统 TMR 相比，在 58% 到 94% 的范围内）。最后，我们调整了该方法以针对永久性故障执行补充评估，并确定了容易在 GPU 上传播故障影响的关键位置。我们发现，对瞬态故障至关重要的触发器中相当一部分（65% 到 98%）对永久性故障也至关重要。
使用双...
伊朗Semnan University电气和计算机工程学院电气工程系。b卫生信息管理和技术系，伊朗喀山喀山医学科学学院，伊朗喀山。C喀山医学大学伊朗喀山喀山医学大学的健康信息管理研究中心。D研究所Digihealth，Neu-ULM应用科学大学，德国Neu-Ulm。orcid ID：A。M. Nickfarjam https://orcid.org/0000-0000-0003-3782-3038摘要。我们提出了用于分割和分类脑肿瘤的U-NET体系结构的修改版本，从而引入了向下采样和向上采样之间的另一个输出。我们建议的体系结构利用了两个输出，在分割输出旁边添加了分类输出。中心想法是在应用U-NET的上采样操作之前使用完全连接的图层对每个图像进行分类。这是通过利用在下采样过程中提取的功能并将其与完全连接的层相结合的分类来实现的。之后，通过U-NET的上采样过程生成分段图像。初始测试对骰子系数，准确性和敏感性分别为80.83％，99.34％和77.39％的可比模型显示了竞争性结果。这些测试是在2005年至2010年的中国广州Nanfang医院，中国广州Nanfang医院和中国天津医科大学的综合医院的数据集上进行的，其中包含3064个脑肿瘤的MRI图像。
dsnet：用于实时焊接接缝图像分割的动态挤压网络
焊接过程产生的图像噪声（例如弧光，飞溅和烟雾）给基于激光视觉传感器的焊接机器人带来了巨大的挑战，可以定位焊接接缝并准确地进行自动焊接。当前，基于深度学习的方法超过了灵活性和鲁棒性的传统方法。但是，它们的重大计算成本导致与自动焊接的实时要求不匹配。在本文中，我们对卷积神经网络（CNN）和变压器的有效混合体系结构（称为动态挤压网络（DSNET））进行实时焊接接缝分段。更准确地说，开发了一个轻巧的分割框架，以充分利用变压器结构的优势，而无需显着增加计算开销。在这方面，旨在提高其功能多样性的高效编码器已被设计并导致了编码性能的大幅改进。此外，我们提出了一个插件轻巧的注意模块，该模块通过利用焊接接缝数据的统计信息并引入线性先验来产生更有效的注意力权重。使用NVIDIA GTX 1050TI对焊缝图像进行广泛的实验表明，与基线方法Transunet相比，我们的方法将参数的数量减少了54倍，将计算复杂性降低了34倍，并将推理速度提高33倍。dsnet可实现较高的准确性（78.01％IOU，87.64％骰子）和速度性能（100 fps），其模型复杂性和计算负担较低。该代码可在https://github.com/hackerschen/dsnet上找到。
MRI分割质量估计的脱钩不确定性模型
MR图像的质量控制（QC）对于确保可以成功执行诸如分割之类的下游分析至关重要。目前，QC主要在视觉和主观上以显着的时间和运营商的成本进行。我们旨在使用概率网络自动化该过程，该网络通过异质噪声模型估算分割不确定性，从而提供了任务特定质量的度量。通过使用K空间人工制品来增强训练图像，我们提出了一种新颖的CNN体系结构，以解脱与任务和不同K-Space伪像的不确定性来源，以一种自欺欺人的方式。这可以预测不同类型的数据降解类型的单独不确定性。虽然不确定性预测反映了人工制品的存在和严重性，但由于数据质量，该网络提供了更强大，更可靠的分割预测。我们表明，接受过人工制品培训的模型在模拟的人工制品和有问题的现实世界图像上都提供了不确定性的信息，这是由人类比例确定的，无论是在定性和定量上都以误差栏的形式在体积测量中的形式进行。将伪像的不确定性与细分骰子分数相关联，我们观察到，与常用的质量（包括信噪比（SNR）（SNR）和对比度比率（CNR）相比，从任务的角度（灰质分段），我们的不确定性预测从任务的角度（灰质分段）提供了更好的MRI质量估计，并提供了质量质量的质量质量质量质量质量。
iQuest 临床验证工作 - Avenda Health
Avenda Health 的 iQuest 软件是一种基于人工智能 (AI) 的决策支持工具，可与医学成像和活检数据结合使用来规划前列腺癌干预措施。iQuest 通过帮助用户分割 MRI 图像特征、以 3D 形式可视化癌症风险以及选择治疗部位来支持前列腺肿瘤学工作流程。迄今为止，各种临床数据回顾性研究已用于验证 iQuest 功能，包括多份同行评审的摘要和几份正在准备中的手稿。这些验证工作总结如下。AI 前列腺分割算法 (AIPSA) Avenda Health 开发了一种基于 MRI 图像自动分割前列腺的 AI 算法，并在 137 个多机构测试案例上验证了该算法。该算法在广泛的前列腺体积、扫描仪型号和图像分辨率中均表现出色，平均骰子相似系数为 0.93。此外，在与竞争产品（In Vivo DynaCAD）的前列腺分割功能进行头对头比较时，Avenda 算法表现最佳，骰子相似度（0.93 vs 0.86）和相对体积误差（4.9% vs 15.2%）均有显著改善。AI 病变轮廓算法 Avenda Health 开发了一种 AI 算法，帮助用户定义病变轮廓，以便在前列腺干预（如靶向治疗）期间使用。该算法的核心特征是癌症估计图（CEM），即整个前列腺估计的临床显著癌症（csPCa）风险的 3D 图。CEM 是使用多机构融合活检数据开发的，并在 100 例多机构前列腺切除术病例中进行了验证 [1]。事实证明，CEM 在预测 csPCa 方面非常有效，平均 AUC 为 0.92，平衡准确度为 85%。此外，使用来自外部人群的 50 例前列腺切除术病例，从 CEM 得出的默认病变轮廓优于传统规划 [1]。Avenda 病变轮廓具有更高的 csPCa 敏感性和更高的指数肿瘤包封率（分别为 97% 和 90%），高于放射科医生定义的原始目标（37%，0%）、半腺边缘（94%，66%）和 1 厘米均匀边缘（93%，82%）。在同一项研究中，iQuest 的包封置信度评分功能能够准确预测 csPCa 包封率，R 2 值为 0.98，中位误差仅为 4%。Avenda LCA 验证工作已在 5 篇同行评审和获奖摘要中发表 [2-6]，手稿正在准备提交期刊 [1]。病变轮廓勾画的医生研究除了内部研究确认用户与 iQuest 整体交互的准确性和有效性之外，还通过多读者（N = 10）多病例（N = 50）研究使用根治性直肠切除术标本作为基本事实来评估病变轮廓勾画任务[7-10]。使用 iQuest 的读者（医生）绘制的病变轮廓比手动定义的轮廓识别出更多的 csPCa（97% vs 38%），同时比半腺轮廓保留了更多的良性组织（72% vs 53%）。iQuest 轮廓的平衡准确度明显高于两种比较方法，阅读时间减少了 40%。手稿正在准备提交给期刊 [9]。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
功能性胎儿MRI的实时胎儿大脑跟踪
抽象目的：通过开发固有的实时运动校正方法来提高功能性胎儿MRI扫描的运动鲁棒性。MRI提供了表征胎儿脑发育和生长的理想工具。但是，这是一种相对较慢的成像技术，因此非常容易受试者运动，尤其是在获得基于摩尔型回声平面成像的功能性MRI实验中，例如，扩散的MRI或血液氧基因级依赖性依赖性依赖性MRI。方法：在125个胎儿数据集上对3D UNET进行了训练，以实时跟踪扫描的每次重复中的胎儿脑位置。此跟踪插入临床扫描仪上的Gadgetron管道中，允许在修改的回声平面成像序列中更新视野的位置。该方法在3T时实时评估了对受控运动幻影实验和十个胎儿MR研究（17 + 4-34 + 3胎周）。在29个低场（0.55t）数据集上进行了回顾性测试。结果：我们的方法实现了实时的胎儿头跟踪和对采集几何形状的前瞻性校正。定位性能的骰子得分分别为84.4％和82.3％，对于看不见的1.5T/3T和0.55T胎儿数据，头孢胎胎儿的值较高，并且随着胎龄的增加。结论：即使在3T时实时的18周GA的胎儿，我们的技术也能够跟随胎儿大脑，并成功地将“离线”应用于0.55T。接下来，它将部署到其他方式，例如胎儿扩散MRI和诊断出患有妊娠并发症的孕妇人群，例如前体前和先天性心脏病。
使用面向3D NNU -NET的[div>对人主动脉的分割...
计算机断层扫描血管造影（CTA）已成为心血管疾病的主要成像技术。在执行经导管主动脉瓣干预（TAVI）操作之前，将主动脉窦的图像和附近的心血管组织与增强的人心脏图像进行分割，对于辅助诊断和指导医生以制定治疗计划是必不可少的。本文提出了基于深度学习（DL）方法的NNU-NET（NONEN-NEW NET）框架，以分割心脏CTA图像中主动脉瓣附近的主动脉组织和心脏组织，并验证其准确性和有效性。总共使用了130套心脏CTA图像数据（88个训练集，22个验证集和20个测试组）。NNU-NET模型的优点是，它可以根据输入图像数据自动执行预处理和数据增强，可以动态调整网络结构和参数配置，并具有较高的模型泛化能力。实验结果表明，基于NNU-NET的DL方法可以准确有效地完成心脏CTA数据集对根附近的心主动脉和心脏组织的分割任务，并获得平均骰子相似性系数（DSC）为0.9698±0.0081。实际的推理分割效应基本上满足了诊所的术前需求。使用基于NNU-NET模型的DL方法解决了阈值分割的准确性低，对具有模糊边缘的器官的不良分割以及对不同患者心脏CTA图像的适应性差。NNU-NET将成为心脏CTA图像分割任务中的出色DL技术。
骨盆放射疗法中的自动分割
人工智能可以标准化和自动化高度要求的程序，例如手动策略，尤其是在像骨盆一样常见的解剖部位中。这项研究研究了女性和男性骨盆放射疗法（RT）的四种自动化序列工具（CT）图像，从基于ATLAS的简单和著名方法开始到最新的基于神经网络的算法。评估包括定量，定性和时间效率评估。回顾性地选择了一系列40个宫颈癌和40个前列腺癌结构集。在准备阶段后，每个站点的剩余20个测试集由基于Atlas的模型主食，一个基于森林的随机模型以及两个基于森林的模型以及两个基于深度学习的工具（DL），Mvision和Limbusai自动分割。将手动分割设置为地面真理，根据骰子相似性系数（DSC），Hausdorff距离（HD）和距离对验证部分（DAP）比较了200个结构集。自动分割和手动校正持续时间。专业临床医生进行了定性评估。在宫颈癌CTS中，DL的表现优于其他工具，具有较高的定量指标，定性得分和较短的校正时间。另一方面，在前列腺癌CT中，所有分析工具的性能在定量和定性指标方面都是可比的。减少分割时间可以减轻自动化工作流程中骨盆辐射疗法常规的负担。性能结果的这种差异可以通过宫颈癌的各种解剖学变异性在前列腺立体定位疗法（SBRT）中的严格膀胱和直肠填充制剂方面的广泛解剖变异性来解释。
引用出版物（APA）：Pernet，C.，Garrido，M.I.，Gramfort，A.，Maurits，N.，M.，Pang，E.
摘要 - MRI的自动脑肿瘤分割（BRAT）在诊断和治疗脑肿瘤中起关键作用。尽管3D U-NET达到最新的核心结果，但由于需要具有高记忆力的高端GPU，其临床使用受到限制。为了解决限制，我们利用几种技术来自定义基于2D U-NET的内存有效但策划的深层框架。在框架中，同时多标签肿瘤分割分解为顺序单标签（二进制）分割任务的融合。除了减少内存消耗外，它还可以提高分割精度，因为每个U-net都集中在子任务上，比整个Brats分割任务更简单。还采用了多模式MRI和批处理骰子损失功能的广泛数据增强，以进一步提高概括精度。对Brats 2020的实验表明，我们的框架几乎可以实现最先进的结果。在测试集中，完成了整个肿瘤，肿瘤核心和增强肿瘤的0.905、0.903和0.822的diCe评分。此外，我们的自定义框架可在预算GPU上执行，最低要求仅2G RAM。临床相关性 - 我们开发了一种记忆有效的深脑肿瘤分割工具，该工具可显着减少肿瘤分割的硬件需求，同时保持可比的准确性和时间。这些优点使我们的框架适合在临床应用中广泛使用，尤其是在低收入地区。我们计划将框架作为自由临床大脑成像分析工具的一部分释放。该框架的代码公开可用：https：//github.com/nima-hs/brats。