XiaoMi-AI文件搜索系统
World File Search System骰子
HAD-NET：一个分层对抗知识蒸馏网络，用于改善没有对抗后图像的增强肿瘤分割
对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。 然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。 尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。 在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。 尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。 The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。 该网络还显示出肿瘤核心（TC）骰子得分的改善。对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。该网络还显示出肿瘤核心（TC）骰子得分的改善。最后，根据不确定性量化，该网络的表现优于基线学生网络和AD-NET，以增强基于BRATS 2019不确定性挑战指标的肿瘤细分。我们的代码可公开可用：https：//github.com/saveriovad/had_net关键字：知识蒸馏，对抗性，歧视者，分层，增强肿瘤，缺失顺序，对比度增强
基于前景原型的脑肿瘤的单发段
摘要：通过几乎没有学习的可能性增强脑肿瘤分割的潜力是巨大的。虽然几个深度学习网络（DNN）显示出令人鼓舞的分割结果，但它们都采用了大量的培训数据，以产生适当的结果。此外，对于大多数这些模型而言，一个突出的问题是在看不见的课程中表现良好。为了克服这些挑战，我们提出了一个单次学习模型，以基于单个原型相似性评分来分割脑磁共振图像（MRI）上的脑肿瘤。使用最近开发的几乎没有弹药的学习技术，通过支持和查询图像进行训练和测试，我们试图通过专注于包含前景类别的切片来获取明确的肿瘤区域。与使用整个图像集的其他最近的DNN不同。该模型的训练是以迭代方式进行的，在每个迭代中，随机切片中包含前景类别的随机抽样数据的剪辑被选为查询集，以及与支持集的同一样本的不同随机切片。为了将查询图像与类原型区分开，我们使用了基于非参数阈值的基于公制的学习方法。我们采用了具有60次训练图像和350次测试图像的多模式脑肿瘤图像分割（Brats）2021数据集。使用平均骰子得分和平均得分评估模型的有效性。实验结果提供的骰子得分为83.42，比文献中的其他作品还要大。此外，所提出的单发分割模型在计算时间，内存使用情况和数据数方面优于常规方法。
使用基于 WFL 的 3D U-Net 对 HGG 和 LGG MRI 图像进行脑肿瘤分割
脑肿瘤的语义分割是医疗治疗计划中的重要阶段。由于肿瘤的特性，图像分割的主要困难之一是类别之间的严重不平衡。此外，类别不平衡的数据集是多模态3D脑MRI中常见的问题。尽管存在这些问题，但大多数脑肿瘤分割研究仍然偏向于过度代表的肿瘤类别（多数类别），而忽略了小规模的肿瘤类别（少数类别）。在本文中，我们提出了一种基于3D U-Net的改进损失函数加权焦点损失（WFL），以增强脑肿瘤分割的预测。使用我们提出的损失函数（WFL）通过给予少数类较高的权重和给予多数类较低的权重来解决类别之间的不平衡和权重之间的不平衡。在将这些权重分配给不同的像素值后，我们的工作能够解决像素退化问题，这是模型训练期间损失函数的局限性之一。根据我们的实验，在脑肿瘤分割挑战赛 (BraTS) 2019 数据集中，针对高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG) 的 3D U-Net 模型上，提出的函数 (WFL) 对肿瘤核心 (TC)、整个肿瘤 (WT) 和增强肿瘤 (ET) 显示出良好的结果，其中 HGG 的平均骰子分数为：0.830、0.913、0.815，LGG 的骰子分数为 TC：0.731、WT：0.775 和 ET：0.685。此外，我们在 BraTS 2020 上部署了训练，获得了平均 Dice 分数 HGG：TC：0.843、WT：0.892、ET：0.871，以及 Dice 分数 LGG：TC、WT 和 ET 分别为 0.7501、0.7985、0.6103。
基于深度学习的小儿脑肿瘤检测和亚型预测的诊所 - 放射学模型
目的：小儿脑肿瘤的早期诊断可显着改善结果。目的是研究小儿脑肿瘤的磁共振成像（MRI）特征，并开发自动分割（AS）工具，该工具可以使用深度学习方法进行分割和分类，并与放射科医生评估进行比较。方法：这项研究包括94例，其中75例被诊断为室心症，髓母细胞瘤，脑干神经胶质瘤和毛细胞星形胶质细胞瘤，19例是正常的MRI脑病例。数据被随机分为培训数据，64例；测试数据，21例病例和验证数据，9例设计了一种深度学习算法以分割小儿脑肿瘤。将深度学习模型的灵敏度，特异性，正预测值（PPV），负预测值（NPV）和准确性与放射科医生的发现进行了比较。根据骰子得分和Hausdorff95距离进行的AS性能评估。结果：对MRI语义特征的分析是用坏死和出血进行的，因为预测室内室内室内症状，扩散限制和囊性变化的特征是髓母细胞瘤的预测指标。检测异常的准确性为90％，特异性为100％。对肿瘤进行进一步分割成增强和非增强组件。通过骰子评分和Hausdorff95距离分析了整个肿瘤（WT），增强肿瘤（ET）和非增强肿瘤（NET）的分割结果。将所有MRI特征预测的准确性与经验丰富的放射科医生的发现进行了比较。通过模型分类和放射科医生给定的分类[K-0.695（K是Cohen的Kappa interager可靠性得分）]。
使用生物医学图像分割的变异推断的不确定性定量
由卷积神经网络激励的深度学习在一系列医学成像问题（例如图像分类，图像分割，图像合成等）中非常成功。但是，对于验证和可解释性，我们不仅需要模型做出的预测，而且还需要在做出这些预测时它的自信。这对于人民接受安全的关键应用很重要。在这项工作中，我们使用了基于变异推理技术的编码器解码器结构来分割脑肿瘤图像。我们使用骰子相似性系数（DSC）和联合（IOU）的交集作为评估指标，评估公开可用的Brats数据集的工作。我们的模型能够以原则上的贝叶斯方式考虑脑肿瘤，同时考虑到疾病的不确定性和认知不确定性。
应用于新生儿大脑MRI分割的合成学习的综合分析
图4（a）在GT_DRAWEM和从T2W或T1W的SynthMotinh模型之间计算出的骰子分数的所有主题的分布，对于不同的结构。（b）从Synthmotinh模型预测计算出的GM体积的散点图。y轴预测是由T2W体积和T1W体积的X轴进行的。（c）跨不同方法的视觉观察的说明。地面真相标签（gt_drawem）以绿色显示，预测为红色。蓝色箭头指示与T1W图像有关GT的可见未对准区域。红色箭头指示预测中的局部错误。（d）预测GM标签（蓝色）和GM GT（橙色）中T1W和T2W图像强度的直方图。
树下：自然资本对具有不确定性的宏观经济模型中阴影价格动态的影响
我们调查了将自然资本动态纳入不确定性的经济中最佳分配的影响。我们提出了关于自然资本的气候损害以及自然资本和其他生产投入之间替代弹性的新估计。使用这些估计值，我们检查了阴影价格在模型规格和参数c校准之间的变化。我们的发现表明，与标准骰子类型模型相比，在包含天然资本的模型中，碳的社会成本高12％。此外，碳的社会成本对替代的弹性高度敏感。生产力的随机性质进一步将碳的社会成本提高了0.13％至39％，具体取决于习惯形成。
第一个硅在22nm技术中启用Rad-Hard非挥发性内存，用于空间AP-
8轨标准电池库提供了必需的辐射硬化元件。这些包括骰子拖鞋，闩锁和时钟门，过滤器，三倍多数选民，设置过滤器和固定时钟缓冲区。对于正常的随机逻辑，在该项目中使用了兼容的商业细胞。该解决方案是一个占位符，很快将被一个全新的10轨库替换，其中包含更丰富的细胞组，还包含硬化细胞的随机逻辑，并且将以十二个栅极长度 / VT风味组合提供。在撰写本文时（2022年5月），图书馆单元格在另一个测试芯片中正在制造[1]。
气候变化挑战 - 主动模型
学习者扮演着通过气候变化生活的学生或老师的角色。他们将骰子滚动并移至减轻气候变化的电台，要求它们适应或引起意外问题。在整个游戏中，学生们跟踪他们发生的事情以及旅途的后果。活动结束了，对游戏中发生的事情进行了热烈的讨论，以及结果如何告知他们的选择，成为解决气候变化的解决方案的一部分。询问：学生定义术语以了解大气碳如何影响气候以及缓解和适应变化的含义。调查：学生参加一个活跃的模型，以找到减轻和/或适应变化的一些动作：学生使用他们的“生活故事”来撰写有关解决方案和适应策略的文章。
深层网络，用于自动分割和定量CT
方法：培训数据集是从合作医院（医院A）回顾性收集的3,000张图像，并通过密集的U-NET框架进行了细分。三位经验丰富的放射科医生通过将像素标记为出血区域来确定地面真相。我们利用了骰子和类内相关系数（ICC）来测试地面真相的可靠性。此外，测试数据集由医院A的211张图像（内部测试）和另一家医院（医院B）的86个ICH图像（外部测试）组成。在这项研究中，我们选择了散点图，ICC和Pearson相关系数（PCC），以评估深层框架的性能。此外，为了验证深框架的有效性，我们对深模型和ABC/2方法之间的出血体积估计进行了比较分析。