查看“WikiEdge:ArXiv速递/2025-03-01”的源代码

== 摘要 ==
* '''原文标题'''：Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts
* '''中文标题'''：探究地形跟随坐标和守恒方案在AI驱动的降水预报中的贡献
* '''发布日期'''：2025-03-01 03:44:46+00:00
* '''作者'''：Yingkai Sha, John S. Schreck, William Chapman, David John Gagne II
* '''分类'''：physics.ao-ph, cs.AI
*'''原文链接'''：http://arxiv.org/abs/2503.00332v1
'''中文摘要'''：[[人工智能]]（[[AI]]）[[天气预测]]（[[AIWP]]）模型通常会产生“模糊”的[[降水]]预报，这些预报往往会高估[[毛毛雨]]而低估[[极端降水]]。本研究提出了一种解决这一问题的新方法——将[[地形跟随坐标]]与[[全球质量和能量守恒]]方案集成到[[AIWP]]模型中。通过使用[[FuXi]]这一[[AIWP]]模型进行预报实验，评估了该方法的有效性，该模型适用于1.0$^\circ$网格间距数据。验证结果表明，性能有显著提升。[[守恒方案]]减少了[[毛毛雨]]的偏差，而使用[[地形跟随坐标]]则改善了[[极端事件]]和[[降水强度谱]]的估计。此外，一个案例研究表明，[[地形跟随坐标]]能够更好地捕捉[[山区]]近地表风，为[[AIWP]]模型提供了更准确的信息，以理解[[降水过程]]的[[动力学]]。本研究提出的方法可以广泛应用于[[AIWP]]模型，并为[[大气领域]]知识如何支持[[AIWP]]模型的发展提供了新的见解。

== 摘要 ==
* '''原文标题'''：AI-Augmented Thyroid Scintigraphy for Robust Classification
* '''中文标题'''：AI增强的甲状腺闪烁扫描用于稳健分类
* '''发布日期'''：2025-03-01 06:21:46+00:00
* '''作者'''：Maziar Sabouri, Ghasem Hajianfar, Alireza Rafiei Sardouei, Milad Yazdani, Azin Asadzadeh, Soroush Bagheri, Mohsen Arabi, Seyed Rasoul Zakavi, Emran Askari, Atena Aghaee, Dena Shahriari, Habib Zaidi, Arman Rahmim
* '''分类'''：physics.med-ph, cs.AI, cs.CV
*'''原文链接'''：http://arxiv.org/abs/2503.00366v1
'''中文摘要'''：[[甲状腺闪烁扫描]]是诊断[[甲状腺疾病]]的关键成像方式。用于甲状腺闪烁扫描分类的[[深度学习模型]]常常面临数据集有限和不平衡的挑战，导致[[泛化能力]]不佳。在本研究中，我们探讨了包括[[稳定扩散]]（SD）、[[流匹配]]（FM）和[[传统增强]]（CA）在内的不同[[数据增强技术]]对提高[[ResNet18]]分类器在甲状腺疾病分类中性能的有效性。我们的结果表明，基于FM的增强方法在大多数情况下优于基于SD的方法，特别是当与原始数据（O）和CA（O+FM+CA）结合时，能够在[[弥漫性甲状腺肿]]（DG）、[[结节性甲状腺肿]]（NG）、正常（NL）和[[甲状腺炎]]（TI）病例中实现高准确性和公平分类。[[Wilcoxon统计分析]]进一步验证了O+FM及其变体（O+FM+CA）在大多数情况下优于基于SD的增强方法。这些发现突显了基于FM的增强方法在生成高质量合成甲状腺闪烁扫描图像和提高[[医学图像分类模型]]泛化能力方面的潜力。