XiaoMi-AI文件搜索系统
World File Search System高对比度
TET调节的表达和光学清除，用于遗传编码的嵌合DCAS9/荧光蛋白探针的体内可视化
摘要：Cas9（DCAS9）核酸内切酶的催化无效突变体具有多种生物医学应用，最有用的是转录的激活/抑制。dcas9家族成员也正在成为潜在的实验工具，用于在独立活细胞和完整组织的水平上进行基因映射。我们对CAS9介导的核室可视化的一组工具进行了初步测试。我们研究了doxycycline（DOX） - 可诱导（TET-ON）的细胞内分布，这些构建体的构造中编码DCAS9直系同源物（ST）（ST）和脑膜炎N.脑膜炎（NM）与EGFP和MCHERRY FOLORESCENT蛋白（FP）融合的人类A549细胞。我们还研究了这些嵌合荧光构建体的时间依赖性表达（DCAS9-FP）在活细胞中诱导中的诱导中，并将其与实验性DCAS9-FP表达的时间过程进行了比较灌注。在诱导后24小时内，肿瘤异种移植物发生了麦克利 - 奇氏菌表达的体内诱导，并通过使用皮肤的光学清除（OC）来可视化。OC通过局部应用Gadobutrol启用了肿瘤异种移植物中FP表达的高对比度成像，因为红色和绿色通道的FI增加了1.1-1.2倍。
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。
介绍基于vep的准周期和混乱的bci
视觉诱发电位（VEP）对周期性刺激通常用于大脑计算机界面中的有利特性，例如高目标识别精度，较小的训练时间和较低的目标干扰。传统的周期性刺激会导致由于连续和高对比度刺激而导致主观的视觉疲劳。在这项研究中，我们将准周期和混乱的复杂刺激与常见的周期性刺激进行了比较，以与基于VEP的大脑计算机界面（BCIS）一起使用。规范相关分析（CCA）和相干方法用于评估三个刺激组的性能。通过视觉模拟量表（VAS）评估了由提出的刺激引起的主观疲劳。使用M2模板方法使用CCA，与Quasi-periodic（M = 78.1，SE = 2.6，P = 0.008）和周期性（M = 64.3，SE = 1.9，SE = 1.9，P = 0.0001）相比，混乱刺激的目标识别精度最高（M = 86.8，SE = 1.8）。对疲劳率的评估表明，与准周期性（p = 0.001）和周期性（p = 0.0001）刺激组相比，混乱刺激引起的疲劳较少。另外，与周期性刺激相比，准周期性刺激导致疲劳率较低（p = 0.011）。我们得出的结论是，与具有CCA的其他两个刺激组相比，混沌组的靶标识别结果更好。此外，与周期性和准周期性刺激相比，混乱的刺激导致主观视觉疲劳较少，并且可以适合设计新的舒适的基于VEP的BCIS。
使用高数据效率深度学习的光子结构优化：应用于纳米蛋白和环形河流相位掩码
metasurfaces为在薄膜光学元件的领域中操纵光特性提供了一个灵活的框架。特别是，可以通过使用薄相板有效地控制光的极化。本研究旨在为这些设备引入替代优化框架。该框架用于开发针对天文学高对比度成像应用的两种涡旋相口罩（VPM）。计算智能技术被利用以优化这些设备的几何特征。较大的设计空间和计算限制需要使用替代模型，例如部分最小二乘Kriging，径向基函数或神经网络。但是，我们证明了这些方法在建模VPM的性能时的不足。为了解决这些方法的缺点，提出了使用深神经网络作为高度准确且有效的替代模型的数据效率进化优化设置。本研究中的优化过程采用了强大的粒子群进化优化方案，该方案在光子设备的显式几何参数上运行。通过这种方法，为两个候选人开发了最佳设计。在最复杂的情况下，进化优化可以优化设计原本不切实际的设计（需要太多的模拟）。在这两种情况下，替代模型都提高了程序的可靠性和效率，与常规优化技术相比，所需的模拟数量最多可将所需数量的仿真数量减少高达75％。
靶向荧光菁氨基甲酸酯在体内实现...
摘要：抗体-药物偶联物 (ADC) 是一种快速兴起的治疗平台。抗体和药物有效载荷之间的化学接头在这些药物的功效和耐受性中起着至关重要的作用。定量评估复杂组织环境中的裂解效率的新方法可以为 ADC 设计过程提供有价值的见解。在这里，我们报告了一种近红外 (NIR) 光学成像方法的开发，该方法可以测量小鼠模型中接头裂解的位置和程度。这种方法是由我们最近设计的花青氨基甲酸酯 (CyBam) 平台的优越变体实现的。我们发现了一种新型的含叔胺的去青花青，这是 CyBam 裂解的产物，由于细胞通透性和溶酶体积累的改善，其细胞信号显著增加。由此产生的花青溶酶体靶向氨基甲酸酯 (CyLBams) 在细胞中的亮度约为 50 倍，我们发现这种策略对于高对比度体内靶向成像至关重要。最后，我们在两种抗体和肿瘤模型中比较了几种常见的 ADC 接头。这些研究表明，蛋白酶可裂解接头比受阻或不受阻的二硫键具有更高的肿瘤活化作用 - 这一观察结果只有在体内成像中才能明显看出。该策略可以定量比较复杂组织环境中的可裂解接头化学性质，对整个药物递送领域都有影响。
光学连贯的完美吸收和时间 -
时间不变的光子结构根据其内在的材料增益或损失来扩增或吸收光。可以利用多个光束在空间中的连贯干扰，例如，在谐振器中，可以分别使用材料增益或损失来定制波浪相互作用，从而最大程度地提高激光或相干的完美吸收。相比之下，即使在没有物质增益或损失的情况下，时间变化的系统也不受限制地节省能量，并且可以通过参数现象支持放大或吸收探针波。在这里，我们在理论上和实验上演示了如何通过光学泵送进行批量介电常数的亚波长膜（其批量介电常数均质和定期调节），可以通过操纵两种探测器的相对相对相对相对的相对相对的相对相对，从而动态地调节其作为非呼吸器的放大器和完美的吸收仪的作用。这将一致的完美吸收的概念扩展到了时间领域。我们将此结果解释为在定期调制介质的动量带隙中存在的增益和损耗模式之间的选择性切换。通过调整两个探针的相对强度，可以通过高达80％的吸收和400％的扩增来实现高对比度调制。我们的结果表明，在光学频率下对时变介质的增益和损失的控制，并为在Floquet工程化的复杂光子系统中相干操纵光的操纵铺平了道路。
2021 年 2 月 18 日
当今的大趋势，如电子产品的小型化、汽车电气化的推动以及对可持续建筑能源技术的需求，都需要具有极端或动态可切换热性能的新型热管理和存储材料。为了实现这一目标，了解材料的热传输和相关特性对于材料开发至关重要，需要可靠的高通量热特性。在本次研讨会上，我将讨论与极端热导率 (Λ)、新型热特性技术和热能应用相关的四个主题。首先，我将介绍 BA 和同位素增强 BN 中超高 Λ 的建立，其值分别为 1000 W m-1 K-1 和 1600 W m-1 K-1，远远超过铜 (400 W m-1 K-1)。这些材料具有成为微电子和电力电子领域下一代散热器的潜力，超越成本低廉的合成金刚石。它们的极高值可以通过现代第一性原理理论来理解，该理论仔细考虑了声子、同位素无序和其他缺陷的相互作用。其次，我将展示一类新型相变材料 (PCM)，即 Ni-Mn-In 合金，用于固态热开关的动态热管理，以提高各个领域的能源效率，例如汽车发动机、快速充电电池和建筑围护结构。这些材料通过马氏体转变引起的电子迁移率变化在 300 K 附近表现出高对比度（高达 ~75%）的可逆 Λ 变化，在高温相中显示出更高的 Λ（与常见 PCM 中的趋势相反）。第三，我将介绍一种基于结构化照明和热成像的首创热计量法，用于高通量材料表征。该技术能够高效地并行研究多个样品，并有可能实现百万像素属性映射，这是传统激光技术无法实现的。它还可以方便地测量各向异性的热
脑肿瘤分割与 3D 可视化
1 计算机工程系，1 通用工程学院，瓦塞，印度 摘要：脑肿瘤分割在医学图像处理中起着重要作用。脑肿瘤的早期诊断有助于改善治疗可能性并提高患者的存活率。从医疗常规生成的大量 MRI 扫描中手动分割脑肿瘤可能非常耗时。这导致需要一个自动脑肿瘤图像分割系统来进行顺利诊断。从磁共振成像 (MRI) 扫描中定位和分割脑肿瘤对于医学分析领域的多种应用来说是一项艰巨而重要的任务。每种脑成像模态都提供与肿瘤每个部分相关的独特和关键细节。许多最近的方法使用了四种模态，即 T1、T1c、T2 和 FLAIR。NeuroVision 是一个灵活有效的脑肿瘤分割和可视化 Web 应用程序。该系统使用基于 CNN 的 UNET 模型进行脑肿瘤分割并显示不同的肿瘤区域。其次，使用 Python 图形库以 2-D、3-D 和 360 度视图可视化肿瘤的不同区域。生成的医疗报告包括肿瘤在脑内的位置和肿瘤相对于脑的占有率。在 BRATS 2020 数据集上进行了全面的实验，结果表明，所提出的模型获得了有竞争力的结果。所提出的方法分别实现了平均整个肿瘤、增强肿瘤和肿瘤核心骰子得分 88.3%、75.3% 和 79.0%。索引术语 - 脑肿瘤、UNET、BRATS、MRI、分割、可视化、模态、骰子得分。I. 介绍脑肿瘤是一组异常细胞以不受控制的方式繁殖的阶段。磁共振成像 (MRI) 是一种非侵入性测试，医生可以使用它来诊断患者的病情。 MRI 提供高分辨率和软组织高对比度的图像。MRI 提供有关脑肿瘤形状、大小和位置的重要信息，以便对患者进行有效的诊断和治疗计划。因此，脑肿瘤医学领域的大部分研究都是使用 MRI 图像进行的。可以创建各种 MRI 模式，这些模式可以称为加权图像。这些模式是 T1 加权、T2 加权、T1c 和液体衰减反转恢复 (FLAIR)。T1 加权图像在脑组织的灰质和白质之间具有高对比度，这有助于更好地分割脑肿瘤。T1 加权对比度增强了 T1 图像，而 FLAIR 使肿瘤区域变得高强度，这就是它用于脑肿瘤结构诊断的原因。研究需求 MRI 图像代表了诊断和治疗计划中一项关键且具有挑战性的任务，有助于准确分割脑肿瘤。图像分割是医学成像中的一个动态领域，包括从图像中提取一个或多个肿瘤区域，这使得肿瘤区域对治疗很有吸引力。为了进行脑肿瘤检测，文献中已经开发了各种算法，包括基于阈值的方法、基于区域的方法、可变形方法、分类方法和深度学习。但在这项工作中，UNET 已用于脑肿瘤的检测和分割。图像可视化在医学领域也起着非常重要的作用。这有助于确定治疗或手术的可能结果。医疗专业人员可以很容易地与患者沟通他们的问题是什么以及如何治疗。因此，脑肿瘤的检测、分割、可视化以及肿瘤占据了大脑某个区域的百分比，所有这些过程都在一个名为 NeuroVision 的平台上执行。可以使用脑肿瘤分割从健康脑组织中提取肿瘤区域并检测脑肿瘤。因此，肿瘤可以有不同的大小和位置，准确有效地分割肿瘤成为一项具有挑战性的任务。肿瘤可以具有各种外观特性，例如其结构可以是非刚性的并且可以具有复杂的形状。
人工智能深度学习重建算法对 CT 图像质量和潜在剂量减少的影响：一项体模研究
摘要背景：最近，计算机断层扫描 (CT) 制造商已经开发出基于深度学习的重建算法来弥补迭代重建 (IR) 算法的局限性，例如图像平滑和空间分辨率对对比度和剂量水平的依赖性。目的：评估人工智能深度学习重建 (AI-DLR) 算法与混合 IR 算法对胸部 CT 图像质量和剂量减少的影响，对比不同临床适应症。方法：在用于胸部 CT 条件的五个剂量水平 (CTDI vol: 9.5/7.5/6/2.5/0.4 mGy) 下对 CT 美国放射学会 (ACR) 464 和 CT Torso CTU-41 体模进行采集。使用滤波反投影、两级 IR（iDose 4 级别 4 (i4) 和 7 (i7)）和五级 AI-DLR（精确图像；更平滑、平滑、标准、清晰、更清晰）重建原始数据。计算了噪声功率谱 (NPS)、基于任务的传递函数和可检测性指数 (d ′)：d ′ 模型检测软组织纵隔结节（纵隔内的低对比度软组织胸部结节 [LCN]）、毛玻璃影 (GGO) 或高对比度肺 (HCP) 病变。两名放射科医生独立评估胸部拟人幻影图像的主观图像质量。他们使用常用的四或五分量表评估了纵隔图像的图像噪声、图像平滑度、纵隔血管与脂肪之间的对比度、实质图像的支气管与肺实质之间的视觉边界检测以及整体图像质量。结果：从标准到平滑水平，平均而言，噪声幅度降低（所有剂量水平：纵隔图像为 - 66.3% ± 0.5%，实质图像为 - 63.1% ± 0.1%），平均 NPS 空间频率降低（所有剂量水平：纵隔图像为 - 35.3% ± 2.2%，实质图像为 - 13.3% ± 2.2%），三种病变的可检测性 (d′) 增加。从标准到清晰水平则发现了相反的模式。从平滑到清晰水平，
引文：Morgan, Rachel, Douglas, Ewan, Allan, Gregory, do Vale Pereira, Paula, Gubner, Jennifer 等人。2021 年。“光学校准和第一道光
摘要。微机电系统 (MEMS) 可变形镜 (DM) 可通过小型、低功耗设备提供高精度波前控制。这使得它们成为未来太空望远镜的关键技术选择，这些望远镜需要自适应光学系统，以便使用日冕仪对系外行星进行高对比度成像。可变形镜演示任务 (DeMi) CubeSat 有效载荷是一种微型太空望远镜，旨在首次在太空中展示 MEMS DM 技术。DeMi 有效载荷包含一个 50 毫米主镜、一个内部校准激光源、一个来自波士顿微机械公司的 140 个执行器 MEMS DM、一个图像平面波前传感器和一个 Shack - Hartmann 波前传感器 (SHWFS)。DeMi 有效载荷的关键要求是测量单个执行器波前位移贡献，精度为 12 nm，并将空间中的静态和动态波前误差校正到小于 100 nm RMS 误差。 DeMi 任务将把 MEMS DM 技术的技术就绪水平从五级提升到至少七级，以适应未来的太空望远镜应用。我们总结了 DeMi 光学有效载荷的设计、校准、光学衍射模型、对准、集成、环境测试和来自空间操作的初步数据。地面测试数据表明，DeMi SHWFS 可以测量 MEMS DM 上的各个执行器偏转，误差在干涉校准测量值的 10 nm 以内，并且可以满足 0 到 120 V 之间执行器偏转电压 12 nm 精度任务要求。整个环境测试中的有效载荷数据表明，MEMS DM 和 DeMi 有效载荷经受住了环境测试，并为与空间数据进行比较提供了宝贵的基线。来自空间操作的初始数据显示，MEMS DM 在空间中驱动，来自空间的各个执行器测量值与等效地面测试数据之间的平均一致性为 12 nm。© 作者。由 SPIE 根据知识共享署名 4.0 未移植许可证发布。分发或复制本作品的全部或部分内容需要注明原始出版物的归属，包括其 DOI。[DOI：10.1117/1.JATIS.7.2.024002]