颅骨剥离被定义为从全头磁共振图像〜(MRI)分割脑组织的任务。它是神经图像处理管道中的关键组件。下游可变形配准和全脑分割性能高度依赖于准确的颅骨剥离。由于该年龄段头部和大脑的显着大小和形状可变性,因此对于婴儿〜(年龄范围0-18个月)头部MRI图像来说,刀片剥离是一项特别具有挑战性的任务。范围。随着时间的推移,婴儿脑组织的发育也会改变$ T_1 $加权图像的对比度,这使得一致的人们难以接受任务。用于成人脑部MRIsullstripping的现有工具不具备处理这些变化的能力,并且需要专门的婴儿MRI头部剥离算法。在本文中,我们描述了asupervised skullstripping算法,该算法利用三个训练的完全卷积神经网络〜(CNN),每个神经网络分别在轴向,冠状和矢状视图中分割2D $ T_1 $加权的视图。三个视图中的三个概率分割是线性融合和阈值化以产生最终的大脑掩模。我们将我们的方法与现有成人和婴儿颅骨剥离算法进行了比较,并且基于骰子重叠度量〜(平均骰子为0.97)和手动标记的背景真实数据集显示出显着的改善。在多个未标记的数据集上进行标签融合实验表明,我们的方法是一致的,故障模式较少。此外,我们的方法计算速度非常快,在NVidia P40 / P100 / Quadro 4000 GPU上运行时间为30秒。
translated by 谷歌翻译
概率图谱先验已被普遍用于推导自适应和鲁棒脑MRI分割算法。广泛使用的神经图像分析管道严重依赖于这些技术,这些技术通常在计算上非常昂贵。相比之下,最近出现了一种方法,即利用深度学习来实现在测试时计算效率高的分割工具。然而,这些策略中的大多数依赖于从手动注释的图像中学习。因此,这些监督的深度学习方法对训练数据集中的强度分布是敏感的。为了开发用于新图像数据集(例如,具有不同对比度)的基于加深学习的分割模型,通常需要创建新的标记的训练数据集,其可能过于昂贵,或者依赖于次优的自组织适应性训练方法。在本文中,我们提出了一种替代策略,将传统的基于概率图谱的分割与深度学习相结合,使人们能够训练新的MRI扫描的分割模型,而无需任何手动分割的图像。我们的实验包括数千次脑MRI扫描,并证明所提出的方法对于不同MRI对比的脑MRI分割任务实现了良好的准确性,在GPU上的测试时间仅需要大约15秒。该代码可在http://voxelmorph.mit.edu免费获得。
translated by 谷歌翻译
从$ T_1 $加权〜($ T_1 $ -w)磁共振图像(MRI)精确自动分割大脑解剖结构一直是神经影像管道中的重要瓶颈,通过无监督强度建模获得最新结果 - 基于方法和多图册注册和标签融合。随着基于强大的监督卷积神经网络(CNN)的学习算法的出现,现在可以在几秒钟内产生高质量的脑分割。然而,这些方法的非常有监督的特性使得很难将它们概括为与他们所训练的数据不同的数据。现代神经影像学研究必然是具有多种采集协议的多中心计划。尽管有严格的协议协调实践,但是不可能在扫描仪,场强,接收线圈等的整个色域上标准化MRI成像参数,即影响对比度。在本文中,我们提出了一种基于CNN的分割算法,除了高度准确和快速之外,还可以在输入$ T_1 $ -w采集中适应变化。我们的方法依赖于构建产生典型测试图像的$ T_1 $ -w脉冲序列的近似正演模型。我们使用正向模型来使用testdata特定的训练示例来增强训练数据。这些增强数据可用于更新和/或构建更健壮的分割模型,其更适合于测试数据成像属性。我们的方法在几秒钟内生成高度准确的,最先进的分割结果〜(整体Dice重叠= 0.94),并且在各种协议中都是一致的。
translated by 谷歌翻译
人类丘脑是一种脑结构,包含许多高度特异性的细胞核。由于已知这些细胞核具有不同的功能并且与大脑皮层的不同区域相连,因此利用MRI研究它们在体内的体积,形状和连接性对于神经成像社区来说是非常有趣的。在这项研究中,我们提出了使用离体脑MRI扫描和组织学数据建立的丘脑核的概率图谱,以及图谱在体内MRI分割中的应用。 Theatlas是使用26个丘脑核的手工描绘建立的,来自6个尸检样本的12个完整丘脑的序列学,结合手工分析整个丘脑和周围结构(尾状核,壳核,海马等)在体内脑MR数据来自39个科目。使用离体MRI作为参考框架回收组织学数据的3D结构和相应的手动分割,并且在切片期间获得的块面照片堆叠作为中间目标。该图谱被编码为自适应四面体网格,与之前的丘脑组织学研究在代表性核的体积方面表现出良好的一致性。当应用于使用贝叶斯推断进行的体内扫描分割时,该图谱显示出优异的重测信度,对输入MRI对比度变化的稳健性,以及在患有阿尔茨海默病的受试者中检测差异性丘脑效应的能力。概率图谱和伴随分割工具作为神经成像包FreeSurfer的一部分公开提供。
translated by 谷歌翻译
来自变压器(BERT)模型的双向编码器表示最近提升了通道重新排序的最新技术水平。在本文中,我们分析了微调BERT模型产生的结果,以更好地理解这些实质性改进背后的原因。为此,我们专注于MS MARCO通道重新排序数据集,并提供BERT检索和失败的潜在原因。更详细地,我们凭经验研究了一组假设,并提供了额外的分析来解释BERT的成功表现。
translated by 谷歌翻译
TensorNetwork是一个用于实现张量网络算法的开源库。张量网络是稀疏数据结构,最初设计用于模拟量子多体物理,但目前也应用于其他许多研究领域,包括机器学习。我们通过物理和机器学习的应用证明了API的使用,并在配套文件中出现了详细说明。
translated by 谷歌翻译
具有基于文本或基于语音的对话界面的智能个人助理系统正变得越来越流行。大多数先前的研究使用基于检索或基于生成的方法。基于检索的方法具有返回流畅和信息性响应的优点,具有很大的多样性。检索到的响应更容易解释。但是,响应检索性能受响应存储库大小的限制。另一方面,尽管基于生成的方法可以在给定对话上下文的情况下返回高度一致的响应,但是它们可能返回具有不足的地面知识信息的普遍或一般响应。在本文中,我们构建了一个具有响应检索和生成能力的混合神经对话模型,并结合了这两种方法的优点。关于Twitter和Foursquare数据的实验结果表明,在自动评估指标和人工评估下,所提出的模型可以优于基于检索的方法和基于生成的方法(包括最近提出的知识接地神经对话模型)。我们的模型和研究发现提供了关于如何集成文本检索和文本生成模型以构建会话系统的新见解。
translated by 谷歌翻译
作为行人和司机,人类通常巧妙地驾驶交通路口。尽管通常在这些交互中发现了不确定性,危险性和通信的非语言特征,但考虑到交互的总数,几乎没有碰撞。随着自动化技术在车辆中的作用越来越大,了解行人和驾驶员行为之间的关系变得越来越重要:行人如何看待车辆/驾驶员的行为以及行人如何做出交叉决定。已经广泛研究了到达时间(TTA)和行人间隙接受之间的关系(即,行人是否选择穿过时间窗口穿过)。然而,在非语言交流的背景下,车辆轨迹的动态性质尚未得到系统的探索。我们的工作提供了证据,证明轨迹动态,例如TTA的变化,可以成为司机和行人之间非语言交流的强大信号。此外,我们在模拟和现实世界的数据集中研究这些影响,这两个数据都比我们以前在文献中最好的知识所考虑的要大。
translated by 谷歌翻译
面部检测是面部验证和识别之前的重要的第一步。在无约束的环境中,由于姿势,光线,比例,背景和位置的变化,它仍然是一个开放的挑战。然而,出于验证的目的,我们可以对背景和位置进行控制。图像主要被捕获在诸如敏感建筑的入口,门前或背景不变的某个位置的地方。我们提出了一种基于相关性的人脸检测算法,用于检测这些设置中的人脸,我们控制位置,并使照明,姿势和比例不受控制。在这些场景中,结果表明我们的算法训练简单快捷,优于Viola和Jones面部检测精度,测试速度更快。
translated by 谷歌翻译
统计不确定性很少包含在机器学习算法中,特别是对于异常检测。在这里,我们提出了贝叶斯异常检测和分类(BADAC)形式,它为分层贝叶斯框架内的分类和异常检测提供了统一的统计方法。 BADAC通过对未知的,真实的数据价值进行边缘化来处理不确定性。使用具有高斯噪声的模拟数据,BADAC在存在不确定性的情况下显示出优于标准算法的分类和异常检测性能,但是计算成本显着增加。此外,BADAC提供了良好校准的分类概率,对于在科学管道中使用是有价值的。我们证明了BADAC可以在onlinemode中工作,并且对模型错误非常可靠,可以通过模型选择方法进行诊断。此外,它可以执行无监督的新类检测,并且可以自然地扩展以搜索数据的异常子集。因此,BADAC是计算成本不是限制因素且统计严谨性很重要的理想选择。我们讨论了加速BADAC的近似,例如高斯过程的使用,最后引入了一个新的度量,即秩加权分数(RWS),它特别适合评估算法检测异常的能力。
translated by 谷歌翻译