提出了一个新的框架，用于处理纵向，多元，异质临床数据的建模和分析的复杂任务。该方法使用时间抽象将数据转换为更合适的形式，用于建模，时间模式挖掘，以发现复杂，纵向数据和生存分析的机器学习模型中的模式，以选择发现的模式。该方法应用于阿尔茨海默氏病（AD）的现实世界研究，这是一种无法治愈的进行性神经退行性疾病。在生存分析模型中，发现的模式可预测AD的一致性指数高达0.8。这是使用AD的时间数据收集对AD数据进行生存分析的第一项工作。可视化模块还清楚地描绘了发现的模式，以易于解释。
translated by 谷歌翻译
医疗保健数据集通常包含一组高度相关的特征，例如来自同一生物系统的特征。当将功能选择应用于这些数据集以识别最重要的功能时，由于相关功能，由于相关特征而引起的某些多变量特征选择器固有的偏差使这些方法难以区分重要的和无关的特征，并且功能选择过程的结果CAN可以解决。不稳定。已经研究了特征选择合奏，该合奏汇总了多个单个基础特征选择器的结果，已被研究为稳定特征选择结果的一种手段，但不能解决相关特征的问题。我们提出了一个新颖的框架，可以从多元特征选择器中创建特征选择集合，同时考虑了相关特征组产生的偏差，并在预处理步骤中使用团聚层次聚类。这些方法从阿尔茨海默氏病（AD）的研究中应用于两个现实世界数据集，这是一种尚未治愈且尚未完全了解的进行性神经退行性疾病。我们的结果表明，在没有聚类的情况下选择在模型中选择的功能的稳定性有明显的改善，并且这些模型选择的功能与广告文献中的发现保持一致。
translated by 谷歌翻译
医疗保健数据集对机器学习和统计数据都带来了许多挑战，因为它们的数据通常是异质的，审查的，高维的，并且缺少信息。特征选择通常用于识别重要功能，但是当应用于高维数据时，可以产生不稳定的结果，从而在每次迭代中选择一组不同的功能。通过使用特征选择合奏，可以改善特征选择的稳定性，该合奏汇总了多个基本特征选择器的结果。必须将阈值应用于最终的聚合功能集，以将相关功能与冗余功能分开。通常应用的固定阈值不保证最终选定功能仅包含相关功能。这项工作开发了几个数据驱动的阈值，以自动识别集合功能选择器中的相关特征，并评估其预测精度和稳定性。为了证明这些方法对临床数据的适用性，它们被应用于来自两个现实世界中阿尔茨海默氏病（AD）研究的数据。 AD是一种没有已知治愈方法的进行性神经退行性疾病，至少在明显症状出现之前的2-3年开始，为研究人员提供了一个机会，可以鉴定出可能识别有患AD风险的患者的早期生物标志物。通过将这些方法应用于两个数据集来标识的功能反映了广告文献中的当前发现。
translated by 谷歌翻译
自首次报道以来，2019年冠状病毒病（Covid-19）已在全球范围内传播，并成为人类面临的健康危机。放射学成像技术，例如计算机断层扫描（CT）和胸部X射线成像（CXR）是诊断CoVID-19的有效工具。但是，在CT和CXR图像中，感染区域仅占据图像的一小部分。一些整合大规模接受场的常见深度学习方法可能会导致图像细节的丢失，从而导致省略了COVID-19图像中感兴趣区域（ROI），因此不适合进一步处理。为此，我们提出了一个深空金字塔池（D-SPP）模块，以在不同的分辨率上整合上下文信息，旨在有效地在COVID-19的不同尺度下提取信息。此外，我们提出了COVID-19感染检测（CID）模块，以引起人们对病变区域的注意，并从无关信息中消除干扰。在四个CT和CXR数据集上进行的广泛实验表明，我们的方法在检测CT和CXR图像中检测COVID-19病变的准确性更高。它可以用作计算机辅助诊断工具，以帮助医生有效地诊断和筛选COVID-19。
translated by 谷歌翻译
计算机辅助诊断通常需要分析放射学扫描内的感兴趣区域（ROI），并且ROI可以是器官或子机构。虽然深入学习算法具有优于其他方法的能力，但它们依赖于大量注释数据的可用性。通过解决这一限制的需要，这里提出了一种基于监督和半监督学习的多个器官的定位和检测的方法。它借鉴了作者在CT图像中定位胸椎和腰椎区域的工作者。该方法生成六个感兴趣的器官的边界框，然后将其融合到单个边界框。使用受监督和半监督学习（SSL）在CT图像中的脾脏，左和右肾定位的实验结果证明了与其他状态相比，以更小的数据集和更少的注释来解决数据限制的能力。最新方法。使用三种不同的标记和未标记的数据（即30：70,35：65,40：60）评估SSL性能，分别为腰椎，脾脏左和右肾的每种。结果表明，SSL提供了可行的替代方案，特别是在医学成像中，难以获得注释数据。
translated by 谷歌翻译
This report summarizes the work carried out by the authors during the Twelfth Montreal Industrial Problem Solving Workshop, held at Universit\'e de Montr\'eal in August 2022. The team tackled a problem submitted by CBC/Radio-Canada on the theme of Automatic Text Simplification (ATS).
translated by 谷歌翻译
建筑信息建模（BIM）软件使用可伸缩的矢量格式，以便灵活地设计业内地板计划。建筑域中的地板计划可以来自可能或可能不是可扩展的矢量格式的许多来源。地板平面图的转换为完全注释的矢量图像是现在可以通过计算机视觉实现的过程。该领域的新型数据集已用于培训用于对象检测的卷积神经网络（CNN）架构。通过超分辨率（SR）的图像增强也是基于计算机视觉的基于CNN的网络，用于将低分辨率图像转换为高分辨率。这项工作侧重于创建一个多组件模块，该模块在楼层对象检测模型上堆叠SR模型。所提出的堆叠模型显示出比相应的香草对象检测模型更大的性能。对于最佳情况，纳入SR的含有在VANILLA网络上的物体检测中提高了39.47％。数据和代码在https://github.com/rbg-research/floor-plan-dection上公开提供。
translated by 谷歌翻译
制造业已广泛采用机器零件的再利用作为降低成本的方法和可持续的制造实践。从设计的设计中识别可重复使用的功能并从数据库中查找它们的类似功能是此过程的重要组成部分。在这个项目中，在完全卷积的几何特征的帮助下，我们能够通过感应转移学习从CAD模型中提取和学习高级语义特征。然后将提取的特征与使用Frobenius规范的数据库中的其他CAD模型进行比较，并且检索相同的特征。后来我们将提取的特征通过了具有空间金字塔池层的深卷积神经网络，并且特征检索的性能显着增加。从结果中显而易见，该模型可以有效地从加工特征捕获几何元素。
translated by 谷歌翻译