XiaoMi-AI文件搜索系统
World File Search System骰子
基于改进卷积神经网络的脑肿瘤分割分类系统的设计与评估
深度学习技术最近在从 MRI 图像中分割脑肿瘤方面表现出了良好的效果。由于能够处理高分辨率图像并分割整个肿瘤区域，U-Net 模型就是其中之一，并且经常被使用。对于脑肿瘤治疗的分析和规划，使用多对比度 MRI 图像准确分割脑肿瘤至关重要。包括 U-Net、PSPNet、DeepLabV3+ 和 ResNet50 在内的深度学习模型在脑肿瘤分割方面表现出了令人鼓舞的效果。使用 BraTS 2018 数据集，我们在本研究中比较了这些模型。我们使用各种测量方法来评估模型，包括豪斯多夫距离 (HD)、绝对体积差异 (AVD) 和骰子相似系数 (DSC)，并研究数据增强和迁移学习方法如何影响模型的性能。研究结果表明，3D U-Net 模型表现最佳，DSC 为 0.90，HD 为 10.69 毫米，AVD 为 11.15%。 PSPNet 模型取得了相当的性能，DSC 为 0.89，HD 为 11.37mm，AVD 为 12.24%。DeepLabV3+ 和 ResNet50 模型取得了较低的性能，DSC 分别为 0.85 和 0.83。根据发现和分析，建议使用具有数据增强和迁移学习的 3D U-Net 模型利用多对比度 MRI 图像进行脑肿瘤分割。
基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
脑肿瘤是最致命的癌症之一，死亡率超过 80%。快速准确的诊断对于提高生存机会至关重要。然而，在医学分析中，脑肿瘤的手动注释和分割可能很复杂。通常会分析多种 MRI 模式，因为它们提供有关肿瘤区域的独特信息。虽然这些 MRI 模式有助于分割神经胶质瘤，但它们往往会增加过度拟合和计算。本文提出了一种感兴趣区域检测算法，该算法在数据预处理期间实施，以定位显着特征并删除无关的 MRI 数据。这减少了输入大小，从而允许更积极的数据增强和更深的神经网络。在对 MRI 模态进行预处理之后，完全卷积自动编码器使用通道自注意力和注意力门对不同的脑部 MRI 进行分割。随后，使用测试时间增强和基于能量的模型进行基于体素的不确定性预测。在 BraTS 19、20 和 21 基准上进行了实验，所提出的模型在每个数据集上的平均骰子分数分别为 84.55、88.52 和 90.82，实现了最先进的分割性能。此外，定性结果用于评估分割模型和不确定性预测。这项工作的代码可在线获取：https：//github.com/WeToTheMoon/BrainTumorSegmentation。
头骨测试策略对抗随机游戏
摘要：游戏一直是各种研究的主题，而心智理论就是其中一个研究得很好的主题。心智理论使人能够理解他人的想法和心理状态。在游戏中，玩家会希望预测并尽可能多地了解对手的想法及其可能的策略。例如，通过推理他人的信念如何不正确，心智理论是有效虚张声势所必需的。研究发现，虚张声势是玩家在扑克和骗子骰子等游戏中策略的重要组成部分。一种研究较少的类似游戏是骷髅拍卖游戏。在这个三到六人游戏中，玩家竞标他们认为可以在不透露骷髅牌的情况下翻开的牌数。这项研究旨在确定是否有一个好的策略来对抗另一个玩家的虚张声势，以赢得骷髅游戏。为了衡量这一点，我们构建了一个代理模型来玩这些游戏。这些代理可以使用虚张声势或反击策略来玩游戏。该模型通过使用不同的代理设置玩 1000 场游戏来生成数据。结果表明，虚张声势对玩家来说是一种很好的策略，可以提高获胜的机会。然而，反击策略并不被认为是一种更好的方法。未来的研究可以研究一种更完整的策略来对抗虚张声势的玩家。
![arxiv：2212.13309v3 [Quant-ph] 27 Sep 2023](/simg/g:\will\search\icon\source\5\59daf78a242570c50a6bf4f9a8617301f9cb46fb.webp)
arxiv：2212.13309v3 [Quant-ph] 27 Sep 2023
摘要。在诊断心脏病中起着至关重要的作用。多视图超声心动图数据的组合对于增强自动化方法的准确性和易变性至关重要。但是，由于数据的视觉差异，得出跨视图上下文信息仍然是一项艰巨的任务，而没有老练的融合策略甚至可以降低性能。在这项研究中，我们提出了一种新型的obal local融合（GL-Fusion）网络，以共同利用全球和本地的多视图信息，以提高超声心动图分析的准确性。具体而言，提出了基于m ulti-view g lobal m odule（MGFM）来探讨全局上下文信息，并探索超声心动图视频中不同心跳周期的环关系。此外，基于m ocal的f usion m odule（MLFM）旨在从不同视图中提取心脏结构的相关性。此外，我们收集一个多视图超声心动图视频数据集（MVEVD）来评估我们的方法。我们的方法达到平均骰子得分为82.29％，这表明比基线方法提高了7.83％，并且胜过其他现有的最新方法。到我们的知识中，这是对超声心脏视频细分的多视图方法的第一次探索。代码可用：https：//github.com/xmed- lab/gl-fuse
优化术中AI：对Yolov8的评估，以实时识别机器人和腹腔镜仪器。
对手术仪器的准确识别对于术中人工智能（AI）系统的发展至关重要。在这项研究中，我们评估了Yolov8模型在识别机器人辅助腹部手术中的机器人和腹腔镜仪器方面的功效。具体来说，我们评估了其检测，分类和分段七种不同类型的手术工具的能力。从四个公共和私人来源编辑了一个多样化的数据集，其中包括代表各种手术环境和工具的7,400帧和17,175个注释。yolov8进行了训练和测试，用于二进制检测的平均平均精度为0.77，多仪器分类的平均精度为0.72。最佳性能。该模型还显示出极好的分割精度，达到0.91的平均骰子得分，平均交点为0.86，单极弯曲的剪刀得出最高的精度。值得注意的是，与腹腔镜工具相比，Yolov8对机器人仪器表现出了出色的识别性能，这可能归因于训练集中机器人仪器的更大表示。此外，该模型的快速推理速度为每帧1.12毫秒，突出了其对实时临床应用的适用性。这些发现证实了Yolov8使用全面的多源数据集对精确有效识别手术工具的潜力。
海洋图像分析的新互动机器学习工具
进步的成像技术大大提高了海洋视频和图像数据收集的速度。通常不会分析这些数据集的全部潜力，因为为多种物种提取信息非常耗时。这项研究证明了开源交互式机器学习工具Rootpainter的能力，可以快速准确地分析大型海洋图像数据集。在两个数据集中测试了根蛋白酶提取冷水珊瑚礁关联物种mycale Lingua的存在和表面积的能力：18 346个延时图像和1420个远程操作的车辆视频框架。与rootpainter集成的新纠正注释指标允许对何时停止模型训练并减少对手动模型验证的需求进行客观评估。使用Rootpainter创建了三个高度精确的M. Lingua模型，平均骰子得分为0.94±0.06。转移学习有助于两个模型的产生，将分析效率从6倍提高到16倍，比手动注释的延时图像快6倍。从两个数据集中提取表面积测量值，从而将来研究海绵行为和分布。向前迈进，交互式机器学习工具和模型共享可以大大提高图像分析速度，协作研究以及我们对生物多样性中时空模式的理解。
讲座5：无监督的学习
p（a | b;α）给定b的概率，由α参数化。注意：α是模型的参数，而不是随机变量x〜Bernoulli（p）x是带有参数p的Bernoulli随机变量。思考：x表示硬币折腾的结果，p（h）= p x〜多项式（φ）x是一个多项式随机变量，具有参数φ和n = 1-这是Bernoulli随机变量的概括。思考：x表示滚动骰子的结果，p（side-i）= p（i）; φ= {p（1），。。。，p（6）} z一个随机变量，以指示滚动k flace die的结果（k = 2：bernoulli;多项式;否则）p（z（j）= i）从高斯i绘制数据点的概率。这更多是一种信念或先验，并且独立于数据。思考：上帝将其设置为先验p（z（j）= i | x（j））X（j）点是从高斯 - i生成的概率，因为我们观察到x（j）。将其视为：我们观察到x（j），现在是从高斯i绘制的吗？p（x（j）| z（j）= i）观察x（j）的概率，因为我们正在从z（j）= i生成数据;在本讲座中，我们假设x（j）| z（j）= i〜n（µ（i），σ（i））θθ一组模型参数；如果k = 2，θ= {µ（1），µ（2），σ（1），σ（2），p}
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。
行业4.0数字化转型和供应链弹性的机会：全面的R
摘要：磁共振成像（MRI）在评估新生儿的早期脑部降低和损伤方面起着重要作用。使用自动体积分析时，需要进行脑组织分割，然后再进行脑提取（BE）以去除非脑组织。在新生儿脑MRI中仍然是具有挑战性的，尽管存在几种方法，但手动段仍被认为是黄金标准。因此，这项研究的目的是评估早产新生儿MRI的不同方法及其对颅内体积估计（ICV）的影响。这项研究包括22个过早的新生儿（平均妊娠年龄±标准偏差：28.4±2.1周），在期限内获得了MRI脑扫描，没有可检测的病变或先天性状况。手动分割以建立参考脑面膜。使用了四个自动化方法：大脑提取工具（Bet2）；简单的流域剥头皮（SWS）；高清脑提取工具（HD-BET）；和合成条。关于segtimentation指标，HD-bet的表现优于其他方法，中位改进为+0.031（Bet2），+0.002（SWS）和+0.011（合成条）点点骰子系数；和-0.786（BET2），-0.055（SWS）和-0.124（合成条）mm，用于平均表面距离。涉及ICV，SWS和HD-BET提供与手动分割的一致性水平，平均差异分别为-1.42％和2.59％。
上下文意识到脑肿瘤细分的深度学习...
脑肿瘤是大脑中癌细胞的不受控制的生长。肿瘤的准确分割和分类对于随后的预后和治疗计划至关重要。这项工作提出了有关使用结构多模式磁共振图像（MMRI）的脑肿瘤分割，亚型分类和总生存预测的深入学习的上下文学习。我们首先提出了3D上下文意识深度学习，该学习认为放射学MMRI图像子区域中肿瘤位置的不确定性以获得肿瘤分割。然后，我们将常规的3D卷积神经网络（CNN）应用于肿瘤段，以实现肿瘤亚型分类。最后，我们使用深度学习和机器学习的混合方法进行生存预测。为了评估性能，我们将提出的方法应用于2019年多模式脑肿瘤分割挑战（BRATS 2019）数据集，以进行肿瘤分割和整体生存预测，以及计算精度医学放射学-Pathology（CPM- rad Path）对脑肿瘤分类2019年对Tumor Classification for Tumor Classification的数据集。我们还基于流行的评估指标，例如骰子得分系数，Hausdorff距离（HD95）（HD95），分类准确性和均方误差，进行广泛的绩效评估。结果表明，所提出的方法分别提供了稳健的肿瘤分割和存活预测。此外，在2019年CPM-Radpath全球挑战的测试阶段，肿瘤分类导致这项工作排名第二。