我们提出了一种新的贝叶斯非参数方法来学习非欧几里德域上的翻译不变关系。结果图卷积高斯过程可以应用于机器学习中的问题，其中输入观察是具有通用图上的域的函数。这些模型的结构允许高维输入，同时保持可表达性，如卷积神经网络的情况。我们将图形卷积高斯过程应用于图像和三角网格，展示了它们的多功能性和有效性，与现有方法相比，尽管是相对简单的模型。
translated by 谷歌翻译
深度卷积网络已经证明了各种医学图像计算任务的最新表现。利用来自不同模态的图像进行相同的分析任务具有临床优势。然而，深度模型对具有不同分布的测试数据的泛化能力仍然是一个主要挑战。在本文中，我们提出了PnPAdaNet（即插即用对抗域适应网络），用于在医学图像的不同模态之间分割网络，例如，MRI和CT。我们建议通过以无监督的方式对齐源域和目标域的特征空间来解决重要的域移位。具体地，域适配模块灵活地替换源网络的早期编码器层，并且域之间共享更高层。具有对抗性学习，我们建立了两个鉴别器，其输入分别是多级特征和预测的分割掩模。我们已经在非配对MRI和CT中对心脏结构分割的域适应方法进行了验证。综合消融研究的实验结果证明了我们提出的PnP-AdaNet的优良功效。此外，我们为心脏数据集引入了一个新的基于无监督跨模态域适应任务的基准。我们将公开提供我们的代码和数据库，旨在促进未来对医学成像这一具有挑战性且重要的研究课题的研究。
translated by 谷歌翻译
这项工作研究了使用神经网络连续学习brainMRI中的两个分割任务。为了在这种背景下探索当新方法学习时应对灾难性遗忘第一项任务的当前方法的能力，我们研究弹性权重合并，这是一种基于Fisher信息的最近提出的方法，最初评估了Atari游戏的强化学习。我们用它来顺序学习正常脑结构的分割，然后分割白质。我们的研究结果表明，这种最近的方法可以减少灾难性的遗忘，同时在这些具有挑战性的连续学习环境中存在很大的改进空间。
translated by 谷歌翻译
我们提出了一种用于医学图像分析的新型注意门（AG）模型，其自动学习聚焦于不同形状和大小的目标结构。用AG训练的模型隐含地学习抑制输入图像中的不相关区域，同时突出显示对特定任务有用的显着特征。这使我们能够在使用卷积神经网络（CNN）时消除使用显式外部组织/器官定位模块的必要性。 AG可以轻松集成到标准CNN模型（如VGG或U-Net架构）中，并且计算开销最小，同时提高了模型灵敏度和预测精度。所提出的AG模型在各种任务中进行评估，包括医学图像分类和分割。对于分类，我们展示了AG在扫描平面检测中用于胎儿超声筛查的用例。我们表明，所提出的注意机制可以提供有效的对象定位，同时通过减少误报来提高整体预测性能。对于分割，在两个大的3D CT腹部数据集上评估所提出的体系结构，其具有用于多个器官的手动注释。实验结果表明，AG模型在保持计算效率的同时，不断提高基础架构在不同数据集和训练规模上的预测性能。此外，AG指导模型激活专注于显着区域，这提供了更好的洞察模型预测的方式。建议的AG模型的源代码是公开可用的。
translated by 谷歌翻译
由于解剖学变化和类别不平衡，全身MRI中小器官的准确和稳健分割是困难的。最近基于网络的深层方法已证明在腹部多器官分割方面具有良好的性能。然而，小器官的表现仍然不是最理想的，因为它们仅占据全身体积的小区域，边界不清晰，形状多变。粗略到细分的分层策略是缓解此问题的常用方法，但是，这可能会错过有用的语境信息。我们提出了一种基于自动上下文和空间图谱先验的加权方案的两阶段方法。我们的实验表明，所提出的方法可以提高全身MRI扫描中多个小器官的分割准确性。
translated by 谷歌翻译
生成合成医学图像的能力对于数据增强，域转移和分布外检测是有用的。然而，由于纹理不均匀性，精细结构细节和特定组织特性，生成逼真的高分辨率医学图像具有挑战性，特别是对于全视野数字乳房X线照片（FFDM）。在本文中，我们探索使用逐步训练的生成对抗网络（GAN）来合成乳房X线照片，克服训练此类对抗模型时的潜在不稳定性。这项工作是第一代逼真的合成医学图像，可在高达1280x1024像素的情况下实现，这是医学图像合成的最高分辨率，可在标准乳腺摄影悬挂协议中实现可视化。我们希望这项工作可以作为一个有用的指南，并促进GANs在医学成像领域的进一步研究。
translated by 谷歌翻译
基于深度学习的图像分割方法的最新进展已经具有人类精确度的实时性能。然而，偶尔最好的方法由于低图像质量，伪像或黑盒算法的意外行为而失败。能够在没有基础事实的情况下预测分割质量在临床实践中是至关重要的，但在大规模研究中也是如此，以避免在随后的分析中包含无效数据。在这项工作中，我们提出了两种使用深度学习进行心血管MR分割的实时自动质量控制方法。首先，在12,880个样本上对一个神经网络进行润湿，以便根据每个案例预测Dice相似系数（DSC）。我们报告1,610个测试样本的平均误差（MAE）为0.03，二元分类精度为97％，这反映了低质量和高质量的分割。其次，在没有手动注释数据可用的情况下，我们训练网络来预测通过反向测试策略获得的估计质量的DSC分数。对于这种情况，Wereport的MAE = 0.14和91％二进制分类精度。实时获得预测，当与实时分割方法结合时，能够在患者仍在扫描仪中时获得关于获取的扫描是否是可分析的即时反馈。这进一步使得优化图像采集的新应用朝向最佳可能的分析结果。
translated by 谷歌翻译
深度学习的最新进展导致了新的生成建模技术，其在生成的样本中获得了前所未有的质量，并且在成像数据中实现了复杂的学习分布。医学图像计算中的这些新模型具有重要的应用，这些应用形成临床相关且非常具有挑战性的无监督学习问题。在本文中，我们探讨了使用最先进的基于自动编码器的深度生成模型（例如变分和对抗自动编码器）的可行性，用于一项此类任务：医学成像中的异常检测。我们利用典型的，可公开获得的数据集，其中包括来自健康受试者和患有中风病变和脑肿瘤的患者的脑部扫描。我们使用来自健康受试者的数据来传递基于自动编码器的不同模型来学习健康图像的分布并将病理检测为异常值。能够更好地学习数据分布的模型应该能够更准确地检测异常值。我们评估深度生成模型的检测性能，并将其与非基于深度生成学习的方法进行比较，以提供当前研究状态的基准。我们得出结论，异常检测对于深度生成模型来说是一项具有挑战性的任务，并且存在大的改进空间。为了促进进一步的研究，我们的目标是为研究界提供可用的精心预处理的成像数据。
translated by 谷歌翻译
NeuroNet是一种深度卷积神经网络，模仿多种人群和最先进的脑分割工具，包括FSL，SPM和MALPEM。该网络接受了来自英国生物银行成像研究的5,000个T1加权脑MRI扫描的培训，这些扫描已经自动分割使用标准神经成像管道进入脑组织和皮质和皮质结构。从这些互补和部分重叠的标记图中训练单个模型，产生一个新的强大的“一体化”，多输出分割工具。单个处理时间与运行每个单独的软件包相比，主题减少了一个数量级。我们证明了原始输出的非常好的可重复性，同时增加了对输入数据的变化的鲁棒性。我们相信NeuroNet可以成为大规模人口成像研究中的重要工具，并通过降低选择特定软件包时引入偏差的风险，成为神经科学的新标准。
translated by 谷歌翻译
我们提出了一种在3Dimage采集中查找标准化视图平面的全自动方法。标准视图图像在临床实践中是重要的，因为它们提供了从类似的解剖区域执行生物测量测量的手段。这些视图通常受限于3Dimage采集的原生方向。浏览目标解剖结构以找到所需的视图平面是繁琐且依赖于操作员的。为此，我们采用了多尺度强制学习（RL）代理框架，并广泛评估了几种基于深度Q网络（DQN）的策略。 RL实现了与环境的自然学习范式交互，可用于模拟经验丰富的操作员。我们使用解剖学标记和检测到的平面之间的距离以及它们的法向量和目标之间的角度来评估我们的结果。该算法在脑MRI的中矢状面和后 - 后连合面以及心脏MRI常用的4腔长轴平面上进行评估，分别达到1.53mm，1.98mm和4.84mm的精度。
translated by 谷歌翻译