WikiEdge:ArXiv速遞/2025-03-01

摘要

• 原文標題：Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts
• 中文標題：探究地形跟隨坐標和守恆方案在AI驅動的降水預報中的貢獻
• 發布日期：2025-03-01 03:44:46+00:00
• 作者：Yingkai Sha, John S. Schreck, William Chapman, David John Gagne II
• 分類：physics.ao-ph, cs.AI
• 原文連結：http://arxiv.org/abs/2503.00332v1

中文摘要：人工智慧（AI）天氣預測（AIWP）模型通常會產生「模糊」的降水預報，這些預報往往會高估毛毛雨而低估極端降水。本研究提出了一種解決這一問題的新方法——將地形跟隨坐標與全球質量和能量守恆方案集成到AIWP模型中。通過使用FuXi這一AIWP模型進行預報實驗，評估了該方法的有效性，該模型適用於1.0$^\circ$網格間距數據。驗證結果表明，性能有顯著提升。守恆方案減少了毛毛雨的偏差，而使用地形跟隨坐標則改善了極端事件和降水強度譜的估計。此外，一個案例研究表明，地形跟隨坐標能夠更好地捕捉山區近地表風，為AIWP模型提供了更準確的信息，以理解降水過程的動力學。本研究提出的方法可以廣泛應用於AIWP模型，並為大氣領域知識如何支持AIWP模型的發展提供了新的見解。

摘要

• 原文標題：AI-Augmented Thyroid Scintigraphy for Robust Classification
• 中文標題：AI增強的甲狀腺閃爍掃描用於穩健分類
• 發布日期：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
• 分類：physics.med-ph, cs.AI, cs.CV
• 原文連結：http://arxiv.org/abs/2503.00366v1

中文摘要：甲狀腺閃爍掃描是診斷甲狀腺疾病的關鍵成像方式。用於甲狀腺閃爍掃描分類的深度學習模型常常面臨數據集有限和不平衡的挑戰，導致泛化能力不佳。在本研究中，我們探討了包括穩定擴散（SD）、流匹配（FM）和傳統增強（CA）在內的不同數據增強技術對提高ResNet18分類器在甲狀腺疾病分類中性能的有效性。我們的結果表明，基於FM的增強方法在大多數情況下優於基於SD的方法，特別是當與原始數據（O）和CA（O+FM+CA）結合時，能夠在瀰漫性甲狀腺腫（DG）、結節性甲狀腺腫（NG）、正常（NL）和甲狀腺炎（TI）病例中實現高準確性和公平分類。Wilcoxon統計分析進一步驗證了O+FM及其變體（O+FM+CA）在大多數情況下優於基於SD的增強方法。這些發現突顯了基於FM的增強方法在生成高質量合成甲狀腺閃爍掃描圖像和提高醫學圖像分類模型泛化能力方面的潛力。