Highly efficient deep blue light emitting devices based on triphenylsilane modified phenanthro[9, 10‐d]imidazole

Highly efficient deep blue fluorescent material (SiPIM) based on phenanthro[9, 10‐d]imidazole (PPI) and triphenylsilane is designed and synthesized. SiPIM presents a narrow deep blue emission, high quantum yield, high thermal stability and good morphological stability. A non‐doped vacuum‐deposited device using SiPIM as active layer achieves an extremely high external quantum efficiency of 6.29% with true deep blue CIE coordinates of (0.163, 0.040). The solution‐processed device is also tried due to the good solubility of SiPIM, which displays a maximum η_ext of 2.40% and CIE coordinates of (0.157, 0.041).     

Ba1-xB2-y-zO4SixAlyGaz晶体和频可调谐深紫外飞秒激光器

介绍了一种基于新型非线性晶体Ba_1-xB_2-y-zO₄Si_xAl_yGa_z 的可调谐深紫外飞秒激光光源. 从理论上分析了基频光和倍频光在通过非线性晶体时所造成的空间走离和群速度失配, 为了补偿空间走离以及波长调谐过程中晶体折射造成的光束偏离现象, 将两块相同的倍频晶体成镜像放置来产生二次谐波. 并调节延迟线的长度来补偿基频光和倍频光之间的群速度失配, 从而提高和频转换效率. 然后通过和频方式进行三倍频和四倍频来突破晶体相位匹配条件的限制, 产生了波长低于200 nm的深紫外飞秒激光. 利用钛宝石激光器提供基频光光源, 最终在250–300 nm, 192.5–210 nm 范围内获得了高重频、可调谐超短脉冲紫外和深紫外激光. 并在基频光波长为800 nm时, 得到的二倍频、三倍频和四倍频的功率分别为1.28 W, 194 mW和5.8 mW, 相对于前一级的转换效率依次为46.14%, 15.16%和3%. 采用互相关法测量得到266.7 nm紫外激光的脉冲宽度约为640.4 fs.     

图像反问题中的数学与深度学习方法

我们生活在数字的时代,数据已经成为了我们生活中不可或缺的一部分,而图像无疑是最重要的数据类型之一.图像反问题,包括图像降噪,去模糊,修复,生物医学成像等,是图像科学中的重要领域.计算机技术的飞速发展使得我们可以用精细的数学和机器学习工具来为图像反问题设计有效的解决方案.本文主要回顾图像反问题中的三大类方法,即以小波（框架）为代表的计算调和分析法、偏微分方程（PDE）方法和深度学习方法.我们将回顾这些方法的建模思想和一些具体数学形式,探讨它们之间的联系与区别,优点与缺点,探讨将这些方法有机融合的可行性与优势.     

基于人工智能和互联网时代的化合物毒性预测综述

随着商品中所含各种化合物的不断使用,人们日益关注其对人类及生态环境的安全危害。在过去的几年里,通过计算方法预测化合物毒性已经显示出极大的潜力。在此,总结了常用的机器学习和深度学习算法在建立毒性预测模型上的优缺点,并系统回顾了近三年发表的可免费访问的毒性预测网络服务器。此外,还讨论了基于人工智能和互联网时代下毒性预测所面临的机遇和挑战。希望指导人们合理的选择算法和网络服务器进行建模及化合物毒性评估。     

Synthesis of spirooxindoles promoted by the deep eutectic solvent,ZnCl2+urea via the pseudo four-component reaction: anticancer,antioxidant, and molecular docking studies

Abstract

Various spirooxindoles (7a–c, 8a–c, 9a–c, and 10a–c) were efficiently synthesized using deep eutectic solvent ZnCl₂+urea and well characterized using IR, ¹H NMR, and ¹³C NMR spectroscopic techniques. The biological screening results showed that the compound 9a exhibited potent anticancer activity against MCF7 and HeLa cell lines with IC₅₀ values 6.47?±?0.01 and 9.14?±?0.32?µM, respectively. The compound 7c exhibited potent activity against the HeLa cell line with IC₅₀ value 6.81?±?0.01?µM. The compound 9a exhibited a potent antioxidant activity with IC₅₀ value 7.34?±?0.17?µM. The comparative molecular docking study against the cancer proteins EGFR and HER2 revealed that the EGFR was the best target protein receptor for the target compounds. Among all the compounds, the compound 9a exhibited the least binding energy ?10.72?kcal/mol against the protein EGFR (PDB ID: 4HJO).     

基于YOLOv3框架的高分辨电镜图像原子峰位置检测

高分辨电镜图像中原子峰位置的检测具有十分重要的现实意义,通过精确定量化原子峰位置可以分析物质在微观尺度上的结构形变、电极化矢量分布等重要信息.近年来深度学习技术在图像目标检测领域取得了巨大突破,这一技术可用在高分辨电镜图像处理上,因为原子位置的检测可以看作是一个目标检测问题.本文利用先进的机器学习方法,通过制作高质量原子图像样本集,使用YOLOv3目标识别框架对原子图像进行自动检测,达到预期效果,实现了深度学习技术在高分辨电镜图像处理领域的应用.该方法的运用有望突破自动处理动态、大量电镜图片的瓶颈问题.     

基于nnU-Net的乳腺DCE-MR图像中乳房和腺体自动分割

在乳腺动态增强磁共振（DCE-MR）图像中,乳房分割和腺体分割是进行乳腺癌风险评估的关键步骤.为实现在三维脂肪抑制乳腺DCE-MR图像中乳房和腺体的自动分割,本文提出一种基于nnU-Net的自动分割模型,利用U-Net分层学习图像特征的优势,融合深层特征与浅层特征,得到乳房分割和腺体分割结果.同时,基于nnU-Net策略,所使用的模型能根据图像参数自动进行预处理和数据扩增,并动态调整网络结构和参数配置.实验结果表明,在具有多样化参数的三维脂肪抑制乳腺DCE-MR图像数据集上,该模型能准确、有效地实现乳房和腺体分割,平均Dice相似系数分别达到0.969±0.007和0.893±0.054.     

深度残差收缩网络的含噪微泄漏超声识别方法*

在利用声学信号进行泄漏检测时,复杂的背景噪声往往会淹没微弱的泄漏信号,导致误判率高。针对微小泄漏在含噪环境中识别困难的问题,提出了基于深度残差收缩网络（DRSN）的含噪微泄漏识别方法。在提出的方法中,添加不同强度高斯噪声,建立数据集,使用DRSN网络进行训练,验证DRSN对不同泄漏强度、不同噪声含量样本识别的有效性。实验结果表明：DRSN对于微弱泄漏可以达到较理想的识别率,即使在高度杂糅数据识别时仍能达到较理想的识别效果,而且噪声含量并不会对DRSN迭代次数产生明显的影响。将提出的方法与CNN识别方法对比,DRSN具有明显的优势。     

基于深度神经网络的时空编码磁共振成像超分辨率重建方法

单扫描时空编码磁共振成像是一种新型超快速磁共振成像技术,它对磁场不均匀和化学位移伪影有较强的抵抗性,但是其固有的空间分辨率较低,因此通常需要进行超分辨率重建,以在不增加采样点数的情况下提高时空编码磁共振图像的空间分辨率.然而,现有的重建方法存在迭代求解时间长、重建结果有混叠伪影残留等问题.为此,本文提出了一种基于深度神经网络的单扫描时空编码磁共振成像超分辨率重建方法.该方法采用模拟样本训练深度神经网络,再利用训练好的网络模型对实际采样信号进行重建.数值模拟、水模和活体鼠脑的实验结果表明,该方法能快速重建出无残留混叠伪影、纹理信息清楚的超分辨率时空编码磁共振图像.适当增加训练样本数量以及在训练样本中加入适当的随机噪声水平,有助于改善重建效果.     

基于变分推断的磁共振图像群组配准

为解决基于深度学习的成对配准方法精度低和传统配准算法耗时长的问题,本文提出一种基于变分推断的无监督端到端的群组配准以及基于局部归一化互相关（NCC）和先验的配准框架,该框架能够将多个图像配准到公共空间并有效地控制变形场的正则化,且不需要真实的变形场和参考图像．该方法得到的预估变形场可建模为概率生成模型,使用变分推断的方法求解;然后借助空间转换网络和损失函数来实现无监督方式训练．对于公开数据集LPBA40的3D脑磁共振图像配准任务,测试结果表明：本文所提出的方法与基线方法相比,具有较好的Dice得分、运行时间少且产生更好的微分同胚域,同时对噪声具有鲁棒性．