Изображения Грызун | Бесплатные векторы, стоковые фото и PSD

Сортировать по

Популярное Недавнее

Категории

Все Векторы Фотографии PSD Иконки

Лицензия

Все Бесплатно Premium

Отобразить настройки Цвет Ориентация

Все Пейзаж Портрет Квадрат Панорама

Стиль

Применимо только к векторам.

Все Акварель Мультфильм Геометрический Градиент Изометрический 3D Нарисованный от руки Flat

Изм. онлайн Фильтровать по ресурсам, которые можно редактировать онлайн в Wepik и Storyset

См. изменяемые ресурсы

Люди

Применимо только к фотографиям

Все Исключить Включить Число людей
Возраст Младенцы Дети Подростки Молодежь Взрослые Пожилые Старики Пол Мужчины Женщины Этническая принадлежность Южная Азия Ближний Восток Восточная Азия Чернокожие Латиноамериканцы Индусы Белые
Freepik’s Choice

Смотрите качественные ресурсы, которые наша команда отбирает ежедневно.

Просмотрите избранные

Дата публикации

ЛюбойПоследние 3 месяцаПоследние 6 месяцевПоследний год

Милые Грызуны — 59 фото

1

Фонкер бурундук


2

Морская Свинка коричневая агути


3

Смешные мышки


4

Луговые собачки Северной Америки


5

Морская Свинка с тыквой


6

Милая крыса


7

Адмирал капибара


8

Забавные животные на рабочий стол


9

Красивые картинки милота


10

Полевой джунгарик


11

Крыса симпатичная фото


12

Бурундук в Индии


13

Золотистый хомячок


14

Забавные Грызуны


15

Гунди животное


16

Бурундук Соня


17

Мышь в профиль


18

Мышь с белой грудкой


19

Милые хомяки


20

Суслик для детей


21

Мышь полёвка в цветочке


22

Суслик Байбак


23

Суслик морковь


24

Дегу и морская Свинка


25

Морда хомяка


26

Сумчатый бурундук


27

Дикая мышь


28

Картинки для детей Грызуны белка


29

Морская Свинка Сомали


30

Два бурундука


31

Мышь полевка Соня


32

Домашние животные


33

Мышка полвека маленькая


34

Карбыш зверек


35

Милые млекопитающие


36

Животные осенью


37

Мышь Малютка


38

Милые Грызуны


39

Фуззберта морская Свинка


40

Белая мышка на заставку


41

Грызуны на траве


42

Капибара малыши животное


43

Морская Свинка обыкновенная


44

Рыжая Дикая мышь


45

Happy Mondays Squirrel


46

Экзотические Грызуны


47

Пушистая Свинка


48

Лесная морская Свинка


49

Крыса Дамбо


50

Китайский бурундук


51

Илийская пищуха


52

Милый грызун


53

Пушистые хомячки


54

Бурундук ареал обитания


55

Морская Свинка Неотропической области


56

Мышь Живая


57

Хомяк HD


58

Новости РИАМО — Грызуны, репортажи, фото, спецпроекты

Новости РИАМО — Грызуны, репортажи, фото, спецпроекты

Следи за жизнью
Москвы и Подмосковья

Инфекция попадает в продукты по вине человека.

Грызун уже попробовал свежий корм, предложенный киперами.

Сейчас зверьки уже ведут себя активно, бегают по вольеру и наводят в нем весенний беспорядок.

Все это время сурок был в своем домике вместе с самочками — в такую погоду эти животные редко гуляют на улице.

Вместе с ним исчезла пунчана – южноамериканский грызун.

Грызуны в Московском зоопарке же проснулись в начале марта.

Наличие сов в столице говорит о том, что сохраняется экосистема природной территории.

Пол детеныша специалисты смогут определить чуть позже.

Это антисанитария, которая способствует размножению грызунов.

Самый редкий среди них – седой дятел.

Было принято решение еще раз проинформировать людей об административной ответственности за подобные нарушения.

Приобретать мясную продукцию рекомендовано только в местах санкционированной торговли.

В своей работе специалисты используют для учета следы, которые животные оставляют на снегу.​

Эти грызуны могут размножаться до двух раз в год.

Среди «бодрствующих» есть даже пчелы.

Птицы прилетают в столицу на зимовку, когда на привычных для них территориях заканчиваются запасы корма.

Активный образ жизни продолжают вести белки, зайцы, лисы и бобры.

Во время учета специалисты «Мосприроды» часто находили ежей, занесенных в Красную книгу столицы.

Животные были спасены в бурятском селе Мухоршибирь местными жителями.

Других замечаний по дому проверяющие не сделали.

Автоматическое обнаружение точек брегмы и лямбда на изображениях анатомии черепа грызунов

Abstract

В настоящее время места инъекций зондов, канюль и оптических волокон в стереотаксической нейрохирургии обычно определяют вручную. Этот шаг включает в себя оценку местоположения на основе человеческого опыта и, таким образом, вносит ошибки. Чтобы уменьшить ошибку локализации и улучшить повторяемость экспериментов и методов лечения, мы исследуем автоматизированный метод определения мест инъекций.В этой статье предлагается структура локализации, которая объединяет сверточную сеть на основе регионов и полностью сверточную сеть для определения местоположения определенных анатомических точек на черепах грызунов. Результаты эксперимента показывают, что предложенная структура локализации способна идентифицировать и локализовать брегму и лямбду на изображениях анатомии черепа грызунов со средними ошибками менее 300

мкм . Этот метод устойчив к различным условиям освещения и ориентации мыши и может упростить процедуру определения мест инъекций.

Образец цитирования: Zhou P, Liu Z, Wu H, Wang Y, Lei Y, Abbaszadeh S (2020) Автоматическое обнаружение точек брегмы и лямбда на изображениях анатомии черепа грызунов. ПЛОС ОДИН 15(12): e0244378. https://doi.org/10.1371/journal.pone.0244378

Редактор: Гулистан Раджа, Инженерно-технологический университет, Таксила, ПАКИСТАН

Получено: 31 августа 2020 г .; Принято: 8 декабря 2020 г .; Опубликовано: 29 декабря 2020 г.

Авторское право: © 2020 Zhou et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все изображения животных и файлы кода доступны на GitHub (https://github.com/rillab/SMALL_ANIMAL).

Финансирование: Yes-Shiva Abbaszadeh получил финансирование от Чжэцзянского университета-Университета Иллинойса в Урбане-Исследовательская программа Института Шампейна-https://zjui.illinois.edu/research Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Стереотаксическая нейрохирургия — это метод хирургического вмешательства с минимальной инвазией, который использует трехмерные системы координат для лечения небольших целей внутри черепа. Он широко используется как в доклинических, так и в клинических исследованиях.В доклинических исследованиях на животных исследователи используют стереотаксическую нейрохирургию для введения жидкости в мозг и стимуляции определенных участков мозга. В качестве примера клинического применения стереотаксическая нейрохирургия используется для лечения болезни Паркинсона в таких процедурах, как паллидотомия, при которой врачи вводят небольшой электрический зонд в бледный шар пациента и применяют лечение путем нагревания зонда и разрушения клеток мозга вокруг него [1]. .

Важным этапом стереотаксической нейрохирургической процедуры является введение хирургических инструментов, таких как зонды и оптические волокна.Этот шаг связан с визуальной оценкой человека и зависит от опыта исследователя, что приводит к ошибкам позиционирования места инъекции. Например, стереотаксическая процедура у грызунов часто включает введение зондов в мозг относительно положения брегмы и лямбды, которые являются двумя особыми анатомическими точками на черепе. Хотя эти две точки теоретически легко найти (рис. 1а), индивидуальные анатомические различия между субъектами затрудняют обнаружение этих двух точек в реальных приложениях (рис. 1b и 1с).В предыдущей работе изучалось компьютерное стереотаксическое позиционирование мест инъекций на основе регистрации модели черепа [2–5] и сопоставления с шаблоном [6]. Предыдущие методы [6] с точно определенным полем зрения позволяют идентифицировать рисунок швов черепа и рассчитать положение инъекций. Однако этот метод [6] уязвим для вращения и смещения шаблона. Ориентация и угол должны быть тщательно выровнены между шаблоном и экспериментальным изображением. Недавние разработки в области введения иглы и глубокого обучения предоставляют альтернативный способ автоматического введения хирургических инструментов.Задачу можно разделить на две части: (i) определение места введения и (ii) перемещение и манипулирование инструментом к месту расположения. Первую задачу можно решить, сфотографировав объект с помощью камер и пропустив эти изображения через алгоритмы глубокого обучения. Последняя задача, включающая процедуру введения иглы, может выполняться манипулятором с несколькими степенями свободы [7].

Сегментация изображений использовалась для идентификации и локализации признаков на изображениях [8, 9].С 2012 года глубокие сверточные сети продемонстрировали большие преимущества в задачах распознавания изображений [10–13] и догнали людей по производительности классификации [14]. При распознавании изображений глубокие сети предназначены для классификации изображений по разным категориям. Путем изменения структуры этих сетей глубокой классификации сценарии их применения могут быть расширены до обнаружения объектов и сегментации изображений. При обнаружении объектов глубокие сети не только предсказывают метку категории изображения, но и рисуют ограничивающие рамки на изображении, чтобы найти объект.Для обнаружения объектов был разработан ряд сетевых структур [15–18]. Их точность была улучшена за последние годы, а их эффективность была улучшена для реализации в режиме реального времени. В отличие от обнаружения объектов, сети сегментации изображений идентифицируют особенности изображения другим способом: они предсказывают метку категории для каждого пикселя изображения [8]. Как правило, сети сегментации изображений используют серию слоев свертки для извлечения признаков из изображения, а затем используют серию слоев деконволюции для восстановления сегментации исходного изображения, где каждый пиксель является меткой категории.

В этой работе предлагается схема локализации для расчета координат брегмы и лямбды на изображениях грызунов. Эта структура локализации состояла из двух этапов: на первом этапе использовалась сверточная сеть на основе региона (faster-rcnn [17]) для обнаружения области черепа на изображениях; на втором этапе полностью сверточная сеть (FCN) была модифицирована по сравнению с реализацией, описанной Лонгом, Шелхамером и Дарреллом [8], для сегментации брегмы и лямбды в области черепа. Faster-rcnn — это широко используемый алгоритм обнаружения объектов, который может обеспечить более высокую скорость обучения и лучшую производительность по сравнению с другими нейронными сетями обнаружения объектов.Мы используем эти достижения fast-rcnn и применяем их к нашей задаче, чтобы найти только интересующую область черепа (ROI) каждого изображения. Для второго этапа мы выбрали FCN, так как это одна из наиболее важных архитектур сегментации изображений. По сравнению с исходной реализацией FCN в этой работе используются остаточные сети [13], проектирование узких мест [13] и нормализация пакетов [19] для повышения эффективности обучения. С помощью этой двухэтапной структуры, а не сквозного подхода (применение исходного изображения к FCN), мы можем получить более высокую точность и сэкономить вычислительные ресурсы и время обучения.

Материалы и методы

Заявление об этике

В этом исследовании не использовались живые животные. Все изображения были получены от умерщвленных животных, ранее одобренных для других протоколов исследований Административной группой Стэнфордского университета по уходу за лабораторными животными [20].

Набор данных

В этой статье для обучения и тестирования системы локализации было собрано 93 изображения грызунов. Эти изображения были получены от мышей (самцов и самок, возраст 8-28 недель, различные штаммы), которых ранее умерщвляли в течение 2 дней для других целей эксперимента.Необработанные изображения имели размеры 2448 × 3264 × 3 (длина × ширина × цвет RGB). Изображения были получены с помощью камеры портативного iPhone 6 (Apple Inc.). Доказано, что изображения, собранные смартфонами, можно использовать с нейронными сетями для соответствующих медицинских приложений [21, 22]. Условия освещения и ориентация мыши не контролируются, так как мы хотели бы, чтобы наша модель была гибкой и надежной.

Для каждого изображения ограничивающая рамка помечается для обозначения области черепа на первом этапе.На втором этапе метка представляет собой двумерное распределение Гаусса, среднее значение которого обозначается точками брегма/лямбда и имеет стандартное отклонение 20 пикселей (рис. 2). Бинарная метка ранее исследовалась для задачи классификации [23]. Было показано, что FCN будет выводить попиксельные сегментации с наивысшими оценками вероятности для областей брегмы/лямбда и может назначать умеренную оценку вероятности областям, подобным брегме или лямбда. В некоторых тестовых случаях это приводило к изготовлению более двух соответствующих масок [23].С помощью гауссовых меток мы переносим задачу классификации на задачу регрессии, которая может включать больше полезной информации во время обучения и в конечном итоге способствовать повышению производительности нашей сети. Координаты брегмы и лямбды предоставляются экспертом — обученным нейрохирургом — на изображениях с полным разрешением.

Рис. 2.

(a) Пример изображения грызуна. (b) Область черепа изображения грызуна с граничной рамкой (синий прямоугольник) и масками брегма/лямбда (красные/зеленые круги), помеченными вручную.В красных и зеленых кружках чем ближе пиксель к брегма/лямбда-точке, тем большее значение (т. е. ярче) присваивается помеченному пикселю. Следовательно, края двух кругов темные, а центр яркий. Ограничивающая рамка используется для обучения более быстрой rcnn на первом этапе, а маски брегма/лямбда используются для обучения FCN на втором этапе.

https://doi.org/10.1371/journal.pone.0244378.g002

Каркас локализации

Хотя FCN можно напрямую использовать для обнаружения брегмы и лямбды на необработанных входных изображениях, он недостаточно эффективен, поскольку череп мыши занимает лишь небольшую часть области на необработанных входных изображениях (рис. 2).Чтобы ускорить процесс обнаружения, мы применили двухэтапную структуру, которая объединяет более быструю rcnn и FCN вместе для обнаружения брегмы и лямбды на изображениях мыши, как показано на рис. 3.

Рис. 3. Двухэтапная схема локализации.

На первом этапе платформа локализации определяет область черепа на изображении с низким разрешением, используя более быструю rcnn. На втором этапе каркас локализации выделяет брегму и лямбду из изображения области черепа в полном разрешении с использованием FCN, а координаты брегмы и лямбды определяют как максимальное значение оставшейся сегментированной области.

https://doi.org/10.1371/journal.pone.0244378.g003

На первом этапе была сгенерирована версия входного изображения с низким разрешением с уменьшенным размером изображения, и для определения местоположения черепа был применен более быстрый rcnn. область на изображении с низким разрешением. Координаты идентифицированной области черепа на изображении с низким разрешением затем были преобразованы обратно в изображение с полным разрешением, чтобы вырезать область черепа из изображения с полным разрешением.

На втором этапе вырезанная область черепа из изображения с полным разрешением была загружена в FCN для попиксельной сегментации брегмы и лямбды.Структура FCN, принятая в данной работе, проиллюстрирована на рис. 4. Входные изображения (размерность: n × n × 3) сначала обрабатывались тремя сверточными слоями 3 × 3 в блоке Conv-1 для уменьшения изображения на порядок 2 и увеличить номер канала с 3 до 32. Затем данные обрабатывались блоком Узкое место-1, который содержал три слоя узкого места, чтобы уменьшить размер изображения на порядок 2 и увеличить номер канала с с 32 по 128. После блока «Узкое место-1» данные последовательно обрабатывались блоками «Узкое место-2» (4 слоя «узкого места») и «Узкое место-3» (6 слоев «узкого места»).В каждом из двух блоков «Узкое место» размер изображения был уменьшен, а номер канала увеличен на порядок. Выход трех блоков «Узкое место» (Узкое место-1, Узкое место-2, Узкое место-3) обрабатывался 3 де — Блоки свертки для восстановления исходного размера входного изображения с 2 каналами. Эти три вывода были объединены вместе и обработаны еще двумя слоями свертки в блоке Conv-2 для получения окончательного результата. Этот окончательный результат имел тот же размер ( n × n ) в каждом канале, что и входное изображение, и содержит два канала.Эти два канала представляли вероятность того, что пиксель принадлежит брегме и лямбде. Конечные координаты брегмы и лямбды определялись как максимальное значение прогнозируемой области. За всеми слоями свертки/деконволюции следовали слои пакетной нормализации и выпрямленные слои активации, кроме последнего слоя свертки. После последнего слоя свертки нет слоя активации, который соответствует метке, основанной на распределении Гаусса. Мы применили остаточные сети [13], дизайн узких мест [13] и пакетную нормализацию [19] к FCN для повышения эффективности обучения.

Рис. 4. Полностью сверточная сеть.

(a) Подробная структура FCN, используемая на втором этапе структуры локализации. Синие срезы представляют слои свертки, а оранжевые срезы — слои узких мест. (b) Детальная структура одного слоя узкого места. Номера входных и выходных каналов n и nout соответственно.

https://doi.org/10.1371/journal.pone.0244378.g004

Реализация

Для реализации этого фреймворка на первом этапе 93 изображения были разделены на обучающие (60 изображений) и тестовые (33 изображения).Результаты показывают, что область черепа на всех изображениях четко определяется. Исходные тренировочные изображения размером 2448 × 3264 × 3 были сначала изменены до 612 × 816 × 3 и загружены в более быструю rcnn для обучения модели с нуля. Реализация fast-rcnn следовала подходу, описанному Реном, Хе и Гиршиком [17]. Более быстрый rcnn выводит прямоугольные координаты области черепа на изображениях грызунов с низким разрешением. Затем эти координаты были преобразованы обратно в изображение с полным разрешением, а область была расширена для создания обрезки исходного изображения 640 × 640 × 3 на основе центра прямоугольника.Это кадрирование было дополнительно уменьшено до 256 × 256 × 3 для создания входного изображения для второго этапа. В процессе обучения СКС 93 изображения были разделены на обучающую (80 изображений) и тестовую (13 изображений) подмножеств. Чтобы обеспечить надежность обучения [24], каждое обучающее изображение было увеличено 100 раз путем случайного переворачивания/вращения/сдвига обрезки исходных изображений, что дает 8000 изображений. Набор данных из 8000 изображений был разделен на 6000 дополненных изображений для обучающего подмножества и 20 исходных изображений для подмножества проверки для 4-кратной перекрестной проверки, как показано в таблице 1.Остальные 13 изображений предназначены только для тестирования и оценки производительности сети. Среднеквадратическая ошибка использовалась в качестве функции потерь FCN для совместимости с задачей регрессии, а для обучения FCN применялся оптимизатор Адама со скоростью обучения по умолчанию (0,001). Выходные данные FCN имеют размеры 256 × 256 × 2, причем первый и второй каналы представляют вероятность того, что они являются брегмой и лямбдой. Мы добавляем третий канал как все нули, чтобы сохранить как изображение. Это изображение 256 × 256 × 3 затем было изменено до исходного размера, 640 × 640 × 3, и пиксель с максимальным значением в каждом канале определяется как координата брегмы и лямбды.Более быстрый rcnn был реализован с использованием пакета Keras/tensorflow, а FCN был реализован с использованием пакета tensorflow. Обучение проводилось на системе с Windows 10 и NVIDIA GeForce RTX 2070. На обучение 50 эпох ушло около 10 часов и 20 минут на получение стабильной модели на первом этапе. На втором этапе потребовалось около 1 часа для обучения 50 эпох и 15 минут для получения стабильной модели.

Результаты и обсуждение

Производительность фреймворка разных меток

В таблице 2 представлены ошибки локализации на данных тестирования для различных стандартных отклонений распределения Гаусса.Когда стандартное отклонение слишком мало (5 пикселей), эффективность обучения имеет высокий уровень ошибки. Мы считаем, что причина в том, что информации, предоставленной этим случаем, недостаточно для обучения нейронной сети. Мы выбрали стандартное отклонение в 20 пикселей, потому что локализация как брегмы, так и лямбды имеет относительно небольшую среднюю ошибку.

Потеря обучения и проверки

На рис. 5 показано среднее значение и стандартное отклонение потерь при обучении и валидации на втором этапе в течение 50 эпох.После эпохи 11 модель очень стабильна. Потери при обучении и проверке уменьшались по мере увеличения количества эпох.

Анализ результатов

На рис. 6 представлены некоторые примеры входного изображения, наземной достоверности и результата второго этапа. Центры красных и зеленых кружков обозначают положения брегмы и лямбды соответственно.

На рис. 7 показана ошибка локализации фреймворка локализации в тестовом наборе данных. Bregma имела среднюю ошибку локализации 10,12 пикселей и максимальную ошибку локализации 30.81 пиксель, в то время как у лямбда средняя ошибка локализации 10,15 пикселей и максимальная ошибка локализации 22,00 пикселей. В этом наборе данных среднее расстояние между брегмой и лямбдой составляло около 4,2 мм , что, согласно измерению, составляло около 163,20 пикселя на изображении. Преобразование между пикселем и длиной было 1 пиксель на 25,74 мкм . С этим преобразованием структура локализации достигла средней точности локализации 260,44 мкм и 261,21 мкм для брегмы и лямбды соответственно.bregma и lambda по-разному вели себя при ошибках локализации. Как показано на Рисунке 7, ошибки брегмы в основном исходили от направления «хвост-голова», в то время как ошибки лямбда были более распространены как по направлению «хвост-голова», так и по направлениям слева-направо. Возможное объяснение заключалось в том, что стреловидный шов, как правило, был хорошо виден на изображениях и служил хорошим ориентиром для определения лево-правого положения как брегмы, так и лямбды. Однако пересечение сагиттального шва с венечным швом (эта точка пересечения определяется как брегма) иногда было нечетким на изображениях, и кровеносные сосуды вдоль сагиттального шва также могли выглядеть аналогично этому пересечению.Это затрудняло определение координаты хвоста брегмы.

Рис. 7. Результаты локализации фреймворка локализации для 13 тестовых изображений.

На левой панели показана ошибка локализации брегмы, а на правой панели — ошибка локализации лямбда. Каждая черная точка представляет собой результат локализации изображения грызуна, а красный крестик представляет собой истинное положение брегмы и лямбды.

https://doi.org/10.1371/журнал.pone.0244378.g007

Мы включили результаты трех студентов, изучающих нейрохирургию. Сравнение показано в Таблице 3. Из Таблицы 3 видно, что, хотя средняя ошибка лямбда студента 3 более точна, чем наш результат, наш подход имеет меньшую среднюю ошибку как для брегмы, так и для лямбда, чем студент 1 и 2, а также меньше bregma означает ошибку, чем студент 3. Более того, мы можем обнаружить, что локализация лямбда не является стабильной для человека, так как студент 1 и 2 дают большую ошибку, а студент 3 дает небольшую ошибку.Тем не менее, наш подход дает относительно стабильную производительность, так как максимальная ошибка составляет 22,00 пикселя, что лучше результатов студентов.

Мы также внедрили сквозной подход. Мы обрезали необработанное изображение 2448 × 3264 × 3 до 2048 × 2048 × 3 и изменили его размер до 640 × 640 × 3 в качестве входного изображения для обучения FCN, а затем снова изменили его размер, чтобы определить окончательные координаты брегмы и лямбды. . Сравнение этих двух подходов показано в таблице 4. По сравнению со сквозной нейронной сетью двухэтапный метод требует меньше времени на обучение для получения стабильной модели (время ранней остановки), требует меньше выделенной памяти графического процессора и достигает высокой точности.Поэтому он больше подходит для нашего приложения.

Заключение и будущая работа

В этом исследовании была построена двухэтапная схема локализации для оценки положения брегмы и лямбды на изображениях анатомии черепа грызунов. Этот фреймворк использовал более быстрый rcnn для обнаружения области черепа, FCN для попиксельного сегментирования областей брегмы и лямбда и выбирал пиксель с максимальной вероятностью в качестве окончательных координат брегмы и лямбды. В эксперименте эта структура достигла средней точности локализации 10.12 пикселей (примерно 260,44 мкм ) и 10,15 пикселей (примерно 261,21 мкм ) для брегмы и лямбды соответственно. Хотя эксперимент проводился на изображениях грызунов для обнаружения брегмы и лямбды, мы считаем, что при наличии надлежащих обучающих данных эта схема также применима для обнаружения других анатомических точек в доклинических исследованиях. Результаты также показывают потенциал системы локализации с недорогим оборудованием для визуализации для точного определения анатомических точек в доклинических нейрохирургических исследованиях.Мы считаем, что предложенный подход к автоматизированному обнаружению может быть использован в роботизированной системе инъекций с реализацией приложения, которое обеспечивает обратную связь с микропозиционером в стереотаксическом инструменте для мелких животных.

Код, необработанные изображения и результаты этой работы доступны в репозитории Github https://github.com/rillab/SMALL_ANIMAL.

Благодарности

Исследование было разработано на основе материалов этой конференции [23].

Каталожные номера

  1. 1.Лайтинен Л.В., Бергенхайм А.Т., Хариз М.И. Задневентральная паллидотомия по Лекселлу в лечении болезни Паркинсона. Журнал нейрохирургии. 1992;76(1):53–61. пмид:1727169
  2. 2. Гранж П., Пологруто Т., Пинский В., Ван Х., Хаббаз А., Спринг С. и др. Стереотаксические инъекции с компьютерным управлением для проекта «Архитектура мозга мыши». В: Собрание Общества неврологии; 2010.
  3. 3. Rangarajan JR, Velde GV, Van Gent F, De Vloo P, Dresselaers T, Depypere M, et al.Основанная на изображениях оценка in vivo точности прицеливания стереотаксической хирургии головного мозга на экспериментальных моделях грызунов. Научные отчеты. 2016;6:38058. пмид:27

    6
  4. 4. Хендерсон М., Пинский В., Толпыго А., Савойя С., Гранж П., Митра П. Автоматическое размещение стереотаксических инъекций с использованием лазерного сканирования черепа. Препринт arXiv arXiv: 14105914. 2014;
  5. 5. Гранж П, Митра ПП. Алгоритмический выбор координат для инъекций в мозг: кодирование нейроанатомического атласа на сетке.Препринт arXiv arXiv: 11042616. 2011;
  6. 6. Аббасзаде С., Ву Х.К. Автоматическое определение местоположения места инъекции для доклинической стереотаксической нейрохирургической процедуры. В: Медицинская визуализация 2017: Процедуры под визуальным контролем, роботизированные вмешательства и моделирование. об. 10135. Международное общество оптики и фотоники; 2017. с. 101352Д.
  7. 7. Gao D, Lei Y, Lian B, Yao B. Моделирование введения гибкой иглы в мягкие ткани с использованием модифицированных локальных ограничений.Журнал производственных наук и техники. 2016;138(12):121012.
  8. 8. Лонг Дж., Шелхамер Э., Даррелл Т. Полностью сверточные сети для семантической сегментации. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2015. с. 3431–3440.
  9. 9. Ян Л, Чжан И, Чен Дж, Чжан С, Чен ДЗ. Предполагающая аннотация: система глубокого активного обучения для сегментации биомедицинских изображений. В: Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам.Спрингер; 2017. с. 399–407.
  10. 10. Крижевский А., Суцкевер И., Хинтон Г.Е. Классификация Imagenet с помощью глубоких сверточных нейронных сетей. В: Достижения в нейронных системах обработки информации; 2012. с. 1097–1105 гг.
  11. 11. Симонян К., Зиссерман А. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. Препринт arXiv arXiv: 14091556. 2014;
  12. 12. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Углубление с извилинами.В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2015. с. 1–9.
  13. 13. He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2016. с. 770–778.
  14. 14. Русаковский О., Дэн Дж., Су Х., Краузе Дж., Сатиш С., Ма С. и др. Крупномасштабная задача визуального распознавания Imagenet. Международный журнал компьютерного зрения. 2015;115(3):211–252.
  15. 15. Гиршик Р., Донахью Дж., Даррелл Т., Малик Дж. Богатые иерархии функций для точного обнаружения объектов и семантической сегментации. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2014. с. 580–587.
  16. 16. Гиршик Р. Быстрый р-кнн. В: Материалы международной конференции IEEE по компьютерному зрению; 2015. с. 1440–1448 гг.
  17. 17. Рен С., Хе К., Гиршик Р., Сан Дж. Faster r-cnn: На пути к обнаружению объектов в реальном времени с помощью сетей региональных предложений.В: Достижения в нейронных системах обработки информации; 2015. с. 91–99.
  18. 18. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, et al. Ssd: однократный многокамерный детектор. В: Европейская конференция по компьютерному зрению. Спрингер; 2016. с. 21–37.
  19. 19. Иоффе С., Сегеди С. Пакетная нормализация: ускорение обучения глубокой сети за счет уменьшения внутреннего ковариатного сдвига. Препринт arXiv arXiv: 150203167. 2015 г.;
  20. 20. Ву Х, Миллер К.Дж., Блюменфельд З., Уильямс Н.Р., Равикумар В.К., Ли К.Е. и др.Замыкание петли импульсивности через активность дельта-диапазона прилежащего ядра у мышей и человека. Труды Национальной академии наук. 2018;115(1):192–197. пмид:29255043
  21. 21. Утхофф Р.Д., Сонг Б., Санни С., Патрик С., Суреш А., Колур Т. и др. Двухрежимное устройство для скрининга рака ротовой полости на основе смартфона на базе смартфона с классификацией нейронной сети для сообществ с ограниченными ресурсами. ПлоС один. 2018;13(12):e0207493. пмид:30517120
  22. 22. Ян А., Бахтари Н., Лэнгдон-Эмбри Л., Редвуд Э., Лапьер С.Г., Ракотоманга П. и др.Kankanet: Приложение для смартфона для обнаружения объектов на основе искусственной нейронной сети и мобильный микроскоп в качестве средства диагностики гельминтозов, передающихся через почву, в месте оказания медицинской помощи. PLoS игнорирует тропические болезни. 2019;13(8):e0007577. пмид:31381573
  23. 23. Лю З., Аббасзаде С., Ву Х.К. Автоматическое определение местоположения места инъекции для доклинической стереотаксической нейрохирургии с помощью полностью сверточной сети. В: Медицинская визуализация 2018: Процедуры под визуальным контролем, роботизированные вмешательства и моделирование.об. 10576. Международное общество оптики и фотоники; 2018. с. 1057623.
  24. 24. Перес Л., Ван Дж. Эффективность увеличения данных при классификации изображений с использованием глубокого обучения. Препринт arXiv arXiv: 171204621. 2017;

Фото: мертвый грызун предположительно найден в обертке из нью-йоркского ресторана Chop’t ‘т.Житель Форест-Хиллз Стивен Хендерсон опубликовал в Твиттере фотографию выше сегодня днем ​​после того, как его коллега якобы обнаружил нежелательного гостя в своем бутерброде

после того, как они уже откусили . Удачи тебе в еде снова, несчастный ланч.

Магазин Chop’t в Финансовом квартале, расположенный на Пайн-стрит, 80, получил рейтинг «А» по ​​результатам последней проверки в сентябре прошлого года, хотя после сегодняшнего фиаско Департамент здравоохранения может пересмотреть свои выводы.

Когда мы связались по телефону, основатель Chop’t Тони Шур сказал нам, что знает об инциденте, и сказал, что магазин был закрыт на день, добавив, что сотрудники «делают генеральную уборку». Сотрудник на Пайн-стрит, 80 подтвердил, что в настоящее время это место «закрыто на техническое обслуживание». Мы связались с пострадавшими сторонами в #RatWrap2014 и сообщим, когда получим ответ.

Обновление 17:48: Стивен Хендерсон, пользователь Twitter, первым опубликовавший фотографию, с тех пор удалил свои твиты, связанные с Chop’t, и отказался отвечать на вопросы.Он также отказался связать нас со своим коллегой, который якобы заказал упаковку. В электронном письме Хендерсон сказал: «С меня хватит этой темы на один день. Я видел ваш пост в блоге. Я удалил пост в Твиттере, потому что он вызвал бурю негодования, и мне нужно вернуться к работе».

Другой пользователь Твиттера, опубликовавший фотографию упаковки с другого ракурса, также удалил свои твиты и ответил на наши запросы в Твиттере следующим образом: «Спасибо, но пришло время закругляться и оставить #ratwrap2014 позади.» Так что, возможно, это всего лишь тщательно продуманная мистификация, организованная конкурентами Chop’t!

Обновление в среду, 10:00: Свидетель вчерашнего открытия сэндвича подтверждает, что фотографии настоящие. «Мой коллега заказал у Seamless, и он был доставлен. в наш офис. Никто на принимающей стороне не видел, как готовилась упаковка». Chop’t также подтвердила открытие и опубликовала заявление на своем веб-сайте: «Хотя ни одна из проверок в этом месте не выявила каких-либо проблем, мы немедленно приняли меры.Эти действия включали временное закрытие объекта из соображений предосторожности, чтобы провести тщательный осмотр всего объекта. Кроме того, завтра утром мы запросили у Департамента здравоохранения Нью-Йорка инспекцию в рамках подготовки к открытию».

Помните, когда это были просто лягушки?

Банда вооруженных людей, Рузвельт произносит речь, женщины позируют в Гранд-Каньоне в своих нарядах.

Все эти сцены Америки прошлых лет вы найдете в увлекательной новой книге «Настоящие фотооткрытки: фотографии меняющейся нации», которая выйдет в мае и опубликована Музеем изящных искусств в Бостоне.

Выяснилось, что «настоящие фотооткрытки» стали «вездесущими» в малых и крупных городах Соединенных Штатов на рубеже 20-го века благодаря прорыву в технологии фотографии компанией Eastman Kodak, которая представила портативную камеру в 1903 году. это производило негатив размером с открытку, который можно было печатать прямо на пустой карточке, выложенной светочувствительной бумагой.

В книге поясняется: «Фотографы, делающие открытки, документировали сцены, достойные Уолта Уитмена, и редко, если вообще когда-либо, записывали в других фотографических форматах.

«Фотооткрытки охватывают время и историю, рассказывая впечатляющие истории о реальных людях, условиях их жизни, их талантах и ​​призваниях, их достоинстве, их культурной самобытности, а также надеждах и стремлениях, которые они могли питать».

Вы можете увидеть некоторые из 317 старинных изображений, которые появляются в книге, прокрутив вниз.Кроме того, фотографии, представленные в книге, будут выставлены в Бостонском музее изящных искусств до 25 июля.

Эта невероятная фотография была сделана в Гаррисберге, штат Иллинойс, местным жителем и фотографом Алвисом Майклом Митчеллом. На ней изображен печально известный гангстер Чарли Биргер. и его вооруженная банда. Биргер, как раскрывает книга, был «столь же печально известен, как любой гангстер в период с 1926 по 1928 год», а в одной газетной статье того времени Аль Капоне описывался как «Чарли Биргер из округа Кук».Банда Биргера, как мы узнаем из фолианта, «контролировала бутлегерство и «развлечения для взрослых» по всему Южному Иллинойсу». На снимке его можно увидеть сидящим в седле на перилах крыльца сзади справа в бронежилете, говорится в книге. Добавляя дополнительную информацию, в нем говорится: «Надпись на [этой] карте «Биргер и его банда» переносит зрителя от спокойного наблюдения за бандой преступников к размышлению о том, что мог чувствовать фотограф Митчелл, когда он стабилизировал свою камеру перед всем этим размахивающим оружием. огневая мощь…. хотя несколько лет спустя Митчелл предположил репортеру, что это он устроил фото, семейные предания говорят об обратном: банда Биргера завербовала сопротивляющегося фотографа, постучала в дверь и напугала его жену ». Несмотря на обозначение 1927 года на карточке, авторы книги говорят, что дату «можно сузить до нескольких дней в октябре 1926 года, основываясь на передвижениях, арестах и ​​смертях изображенных членов банды».

Датируется примерно 1909 годом , на этой открытке изображена группа мужчин у почтового отделения в городе Ленокс, штат Айова,

Согласно книге, развитие недвижимости предоставило хорошие возможности для фотографов, делающих открытки. более тихие уголки страны, вдали от коммерческих фотостудий больших городов, поэтому фотографы открыток могли добиться успеха недалеко от дома. Им просто нужно было удостовериться, что их продукция адаптирована к местным вкусам: местные знаменитости, местные спортивные команды, чемпионы по животноводству и овощам, полпути на окружной ярмарке или местные продавцы шарлатанских лекарств. студийное фото в костюме дяди Сэма в Патчоге — деревне на Лонг-Айленде, штат Нью-Йорк — около 1908 года.Автор пишет: «Дядя Сэм как символ для США был обеспечен не только работами художников-карикатуристов девятнадцатого века, таких как Томас Наст и плакат Джеймса Монтгомери Флэгга «Я хочу тебя», призывающий к вербовке во время Первой мировой войны, но и благодаря таким обывателям, как этот. , который подражал Сэму с его длинными белыми бакенбардами и звездно-полосатым костюмом». СПРАВА: на этой открытке 1910 года изображен усатый мужчина в шубе. «Эта открытка с посланием на норвежском языке, адресованным Оле Флатланду из Канби, Миннесота, свидетельствует о большом и активном скандинавском сообществе на севере Среднего Запада. », — отмечается в книге.В нем говорится, что в отсутствие контекстуальной информации «по-прежнему возможно читать изображения с помощью подсказок, предлагаемых в физическом объекте самой открытки, таких как подпись на лицевой стороне или сообщение на обратной стороне, одежда или униформа, которые были надеты, объект, который держал в руках, выражение лица или положение тела человека, или реквизит и фон, выбранные натурщиком, чтобы выразить значимое представление о себе»

На этой карточке, вероятно, изображен парад в честь Дня труда в Сиэтле в 1910 году, говорится в книге.The Seattle Daily Times отметила, что хитом парада того года стала коза с большой табличкой с надписью «Покажи мне паршу». Козел возглавлял делегацию машинистов на параде

Снимок, сделанный на Национальной шерстяной фабрике в Уилинге, Западная Вирджиния, примерно в 1914 году. реальность» и служить «рекламой»

Рынок амишей в Ланкастере, штат Пенсильвания, был в центре внимания этой открытки, сделанной в 1925 году позже

Хлопок продается на улицах Страуда в Оклахоме, около 1909 года.Авторы книги говорят, что фотографы обратили свое внимание на «главные улицы» больших и малых городов, где шум и суматоха создают анимированные кадры. Они отмечают, что главная улица «это место, где банки, магазины и здания суда выстраиваются в очередь, чтобы продемонстрировать богатство, гордость и гражданскую добродетель». Иллинойс, во время наводнения в День святого Валентина 1911 года. В книге говорится, что город «сталкивался с наводнениями каждую весну, но наводнение в День святого Валентина 1911 года было особенно сильным».Он продолжает: «Х. Х. Миллер, владелец бара на этой открытке, использовал открытку в качестве новогоднего приветствия в январе следующего года: «Это мой салон, вейдерсы были на полу. а человек в белом халате — мой бармен. Спокойной ночи». гражданской журналистике цифровой эпохи, запечатленной вездесущими смартфонами и распространенной через социальные сети».Авторы пишут: «Фотографии на этих картах с поразительной непосредственностью запечатлели Соединенные Штаты в начале двадцатого века. Это было время быстрой индустриализации, массовой иммиграции, технологических изменений и социальной неопределенности — другими словами, время, очень похожее на наше». . В книге говорится о кадре: «Женщины стоят перед тем, что сегодня является избитым туристическим видом… но что тогда было примечательно, новизной.Обувь на каблуках и клатчи указывают на то, что они не слишком старательно добирались туда, а были аккуратно сброшены, вероятно, водителем, в заранее определенное место, предназначенное для того, чтобы они могли получить фотографию, которая, по сути, сообщила бы, что они » был там, сделал это»

Посмотрите вверх, и вы увидите бывшего президента США Теодора Рузвельта, выступающего перед толпой во Фрипорте, штат Иллинойс. Считается, что фотография была сделана в 1910 году, через год после окончания его президентства.В книге говорится: «В 1910 году Рузвельт предпринял трансконтинентальное путешествие, которое проходило через Иллинойс с остановками во Фрипорте, Бельведере и Чикаго.

Добавить комментарий

Ваш адрес email не будет опубликован.