胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
体内非相干运动(IVIM)成像允许使用磁共振成像(MRI)进行无造影剂的体内灌注定量。然而,由于在大的梯度编码幅度下的低信噪比(SNR)以及由于受试者运动引起的失相假象,其使用受到通常低精度的限制,这在胎儿MRI中特别具有挑战性。为了解决这个问题,我们提出了一种隐式IVIM信号采集模型,利用该模型,我们利用人工神经网络学习灌注参数的完全后验分布。然后,该后验封装了推断参数估计的不确定性,我们在此通过基于拒绝的贝叶斯采样的数值实验验证。比较分段最小二乘拟合的现有IVIM估计方法,我们提出的方法在合成各向异性灌注数据上将参数估计精度提高了65%。对于体内胎儿MRI的配对重新扫描,我们的方法将胎盘中参数估计的重复性提高了46%。
translated by 谷歌翻译
当应用一些投票规则来集中各个决策时,基于集合的方法在提高其个体成员的准确性方面在各个领域非常有效。在本文中,我们研究如何在整体成员的总成本有限的情况下找到并表征具有最高准确度的集合。如果为聚合选择多数表决,则该问题导致在二元和多类分类中具有非线性和不可分离目标函数的背包问题。由于常规求解方法不能应用于此任务,因此在二元情形中引入了一种新的随机方法,其中能量函数被讨论为成员精度的联合概率函数。我们展示了关于预期集合精度及其在多类分类问题中的变化的理论结果,这可以帮助我们解决背包问题。
translated by 谷歌翻译
计算机化的文档分类已经订购了新闻文章,Apple的“新闻”应用程序或Google的“个性化搜索”功能组合在一起,以满足读者的兴趣。进入这些定制搜索的无形且因此难以辨认的决定一直是学者批评的主题,他们强调我们关于文档的情报与理解搜索标准的能力一样好。本文将尝试对文本计算分类中使用的程序进行包装,将其翻译成对人文主义者易读的术语,并检查机会,以便在专家批评和改进的情况下进行计算文本分类过程。
translated by 谷歌翻译
我们描述了DeepMind Kinetics人类行动数据集的扩展,从400个类别,每个类别至少有400个视频剪辑,到600个类别,每个类别至少有600个视频剪辑。为了扩展数据集,我们改变了数据收集过程,因此每个类使用多个查询,其中一些使用英语以外的语言 - 葡萄牙语。本文详述了两个版本的数据集之间的变化,包括新版本的综合统计数据以及使用I3D神经网络架构的基线结果。该论文是发布公共测试集的groundtruth标签的伴侣。
translated by 谷歌翻译
在许多实际应用中,例如,期望优化长期价值。推荐系统。最常见的长期价值优化方法是使用长期价值作为目标的监督学习。遗憾的是,长期指标需要很长时间才能衡量(例如,客户会完成阅读电子书吗?),而且香草预报员在结果之前无法学习示例观察到了。在新项目经常出现的实际系统中,这种延迟会增加培训服务偏差,从而负面影响模型对新产品的预测。我们认为,中间观察(例如,如果客户在24小时内阅读了本书的三分之一)可以改进模型的预测。我们将问题形式化为一个随机模型,其中实例由对手选择,但是,例如,中间观察和结果是从一个因子联合分布中采样的。我们提出了一种利用中间观测的算法,并在理论上量化它可以胜过忽略中间观测的任何预测方法。在理论分析的推动下,我们提出了两种神经网络架构:FactoredForecaster(FF),如果我们的假设得到满足则是理想的,而ResidualFactored Forecaster(RFF)对于模型错误规范更具鲁棒性。对两个真实世界数据集的实验,数据集源自GitHubrepositories和来自流行市场的另一个数据集,表明RFFout同时执行FF以及忽略内部观察的算法。
translated by 谷歌翻译
在本文中,我们考虑了在没有任何手动注释的情况下学习objectcategories地标的问题。我们将其视为有条理地从另一个生成对象图像的问题,其中图像因采集时间和/或视点而不同。通过向生成器提供通过紧密瓶颈从目标图像中提取的类似关键点的表示来辅助该过程。这样可以鼓励表示有关对象几何体的todistil信息,该信息从源totarget更改,而源和目标之间共享的外观仅从源中读取。调节简化了生成任务,使得采用简单的感知损失而不是更复杂的方法(例如对抗性训练)足以容忍地标。我们表明我们的方法适用于各种各样的数据集 - 人脸,人物,3D物体和数字 - 没有任何修改。我们进一步证明我们可以从合成图像变形或视频中学习地标,所有这些都没有人工监督,同时表现优于状态。最先进的无监督地标探测器。
translated by 谷歌翻译
最先进的深度神经网络存在一个基本问题 - 它们错误分类了通过对输入应用小扰动而形成的对抗性实例。在本文中,我们提出了一种新的心理测量感知异常相似度评分(PASS)测量用于量化对抗图像,介绍硬阳性生成的概念,并使用一组不同的对抗性扰动 - 而不仅仅是最接近的 - 用于数据增加。我们介绍了一种用于对抗性示例生成的新颖的热/冷方法,其为每个单独的图像提供多种可能的对抗性扰动。由我们的新方法产生的扰动通常对应于语义上有意义的图像结构,并且允许更大的灵活性来进行缩放 - 幅度 - 振幅,这产生了增加的对抗性图像的多样性。我们在几个网络拓扑和数据集上呈现对抗图像,包括MNIST数据集上的LeNet,以及ImageNet数据集中的GoogLeNet和ResidualNet。最后,我们在LeNet和GoogLeNet上演示,与使用现有生成对抗图像的方法进行训练相比,使用各种硬正面进行细化调整可以提高这些网络的稳健性。
translated by 谷歌翻译