肺超声（LUS）可能是唯一可用于连续和周期性监测肺的医学成像方式。这对于在肺部感染开始期间跟踪肺表现或跟踪疫苗接种对肺部的影响非常有用，如Covid-19中的肺部作用。有许多尝试将肺严重程度分为各个类别或自动分割各种LUS地标和表现形式的尝试。但是，所有这些方法均基于训练静态机器学习模型，该模型需要大量临床注释的大数据集，并且在计算上是沉重的，并且大部分时间非现实时间。在这项工作中，提出了一种实时重量的基于活跃的学习方法，以在资源约束设置中在COVID-19的受试者中更快地进行分类。该工具基于您看起来仅一次（YOLO）网络，具有基于各种LUS地标，人工制品和表现形式的标识，肺部感染严重程度的预测，基于主动学习的可能性，提供图像质量的能力。临床医生的反馈或图像质量以及对感染严重程度高的重要框架的汇总，以进一步分析。结果表明，对于LUS地标的预测，该提议的工具在联合（IOU）阈值的交叉点上的平均平均精度（MAP）为66％。在Quadro P4000 GPU运行时，14MB轻量级Yolov5S网络可实现123 fps。该工具可根据作者的要求进行使用和分析。
translated by 谷歌翻译
来自MRI扫描的子皮质结构的分割对许多神经系统诊断感兴趣。由于这是一个艰苦的任务机器学习，并且特别深入学习（DL）方法已经探索。大脑的结构复杂性需要大型高质量的分段数据集，以开发基于DL的基于DL的解决方案，用于子皮质结构分割。为此，我们释放了一组114,1.5 Tesla，T1 MRI扫描，手动描绘为14个亚皮质结构。数据集中的扫描是从健康的年轻（21 - 30年）科目（58名男性和56名女性）中获得的，并且所有结构都是由经验丰富的放射学专家手动描绘的。已经使用该数据集进行了分割实验，结果表明，可以通过深学习方法获得准确的结果。
translated by 谷歌翻译