与以前的工作不同,这种开放式数据采集包括专为机器学习应用和高锥角人工制品减少而设计的X射线锥束(CB)计算机断层扫描(CT)数据集。用实验室X射线设置扫描42个核桃,不仅提供来自单个物体的数据,而且提供具有自然变化的一类物体的数据。对于每个核桃,获得了三个不同源轨道上的CB投影,提供了具有不同锥角的CB数据,并且能够从可以用于监督学习的组合数据中计算无物质,高质量的地面实况图像。我们提供完整的图像重建管道:原始投影数据,扫描几何描述,使用开放软件的预处理和重建脚本,以及构建的体积。因此,数据集不仅可以用于高角度伪影减少,还可以用于其他任务的算法开发和评估,例如从有限或稀疏角度(低剂量)扫描,超分辨率或分割的图像重建。
translated by 谷歌翻译
层析成像处理从一系列角度获取的投影中的物体重建。离散层析成像涉及由少量材料组成的对象,这使得可以从高度有限的投影数据计算准确的重建。对于重建中允许的强度值是先验已知的情况,离散代数重建技术(DART)已经证明可以从很少的投影中产生准确的重构。然而,一个关键的限制是DART的好处随着不同材料数量的增加而减少。许多成像成像技术可以在多个通道上同时记录断层摄影数据,每个通道对应于对象中的材料的不同加权。每当来自多个通道的投影数据可用时,该附加信息可能被构造算法利用。在本文中,我们提出了多通道DART(MC-DART),它有效地处理多通道数据。这类算法是DART到多个通道的概括,并且在多通道分割步骤中组合每个单独的通道重建的信息。我们证明,在一系列模拟实验中,与单通道DART相比,MC-DART能够产生更精确的重建。
translated by 谷歌翻译
我们提出了一个加速迭代重建的框架,使用基于k空间方法的快速近似正演模型进行光声层析成像。近似模型在迭代重建的梯度信息中引入了混叠伪影,但是这些特征是高度结构化的,并且我们可以训练可以使用近似信息执行迭代重建的CNN。我们在有限视图几何中显示了用于人体内测量的方法的可行性。所提出的方法能够对总变异重建产生优异的结果,加速为32倍。
translated by 谷歌翻译
目的:心室容量的实时评估需要高加速因子。残余卷积神经网络(CNN)已显示出用于消除由数据欠采样引起的伪像的潜力。在这项研究中,我们研究了不同径向采样模式对CNN准确性的影响。我们还获得了先天性心脏病(CHD)住院患者的实时实时欠采样径向数据,并将CNN重建与压缩感知(CS)进行了比较。方法:开发了3D(2D加时间)CNN架构,并使用22个黄金标准配对3D数据集进行了训练,采用14x径向欠采样。使用169个以前未见过的3D'合成'测试数据集测试了四个采样方案。实际实时微小金角(tGA)径向SSFP数据在10名新患者(122个3D数据集)中获得,并使用3DCNN和CS算法重建;把握。结果:采样模式显示对图像质量和心脏结构的准确可视化很重要。对于实际的实时数据,CNN的整体重建时间(包括创建混淆图像)显示比GRASP快5倍以上。此外,对于同样的原始数据,观察到CNN图像质量和双心室体积的准确性优于GRASP。结论:本文已经证明了在临床环境中使用3D CNN进行实时径向数据深度去混叠的可能性。使用CNN重建的实时数据进行心室容量的临床测量与金属无统计学差异标准,心脏门控,BH技术。
translated by 谷歌翻译
我们探索人工神经网络作为从虚构时间格林函数重建光谱函数的工具,这是一个经典条件反问题。我们的ansatz基于有监督的学习框架,其中先验知识在训练数据中被编码,并且逆变换流形通过神经网络被明确地参数化。我们系统地研究了这种新的重建方法,提供了对其在物理动机模拟数据上的表现的详细分析,并将其与已建立的贝叶斯推理方法进行了比较。发现构造精度至少是可比较的,并且特别是在较大的噪声水平下可能是优越的。我们认为,在监督环境中使用标记的训练数据和确定优化目标的自由度是本方法的固有优势,并且可能导致对未来最先进方法的重大改进。进一步研究的潜在方向是详细讨论。
translated by 谷歌翻译
内窥镜伪影是促进中空器官疾病的诊断和治疗的核心挑战。精确检测特定伪像,如像素饱和度,运动模糊,镜面反射,气泡和碎片,对于高质量的帧恢复至关重要,对于实现可靠的计算机辅助工具以改善患者护理至关重要。目前,由于视频帧中存在大量的多类伪像,目前大多数内窥镜检查视频尚未进行分析。通过内窥镜伪影检测(EAD 2019)的挑战,我们通过解决内窥镜框架伪影的准确识别和定位来解决这一关键瓶颈问题,从而能够对不可用的视频帧进行进一步的关键定量分析,例如镶嵌和3D重建,这对于提供改善的患者护理至关重要。本文总结了挑战任务,并描述了在EAD 2019挑战中建立的数据集和评估标准。
translated by 谷歌翻译
我们提出了一种深度强化学习方法来优化静态编译器中计算图的执行成本。关键思想是将神经网络策略与遗传算法 - 偏差随机密钥遗传算法(BRKGA)相结合。在给定要优化的输入图的情况下,策略被训练以预测BRKGA中的采样突变和交叉的节点级概率分布。我们的方法“基于REINFORCE的遗传算法学习”(REGAL)使用该策略转移到新图表的能力,以显着提高遗传算法的解决方案质量,以获得相同的客观评估预算。作为一个具体的应用,我们通过联合优化设备布局和调度来显示TensorFlow图中最小化峰值记忆的结果。在以前看不见的图表上,REGAL的峰值内存平均比BRKGA低3.56%,优于我们比较的所有算法,并且比下一个最佳算法的改进大4.4倍。我们还对生产编译器团队的XLA图表性能基准进行了评估,并且比BRKGA平均降低了3.74%的峰值内存,再次超越了所有人。我们的方法和分析是通过收集372个独特的真实世界TensorFlow图表的数据集来实现的,这比以前的工作多了一个数量级。
translated by 谷歌翻译
我们研究深度神经网络的表达性。通过其连接数或神经元数量来测量网络的复杂性,我们考虑了在增加复杂性预算时,给定复杂度的网络的最佳近似误差以一定速率衰减的函数类。使用经典逼近理论的结果,我们证明了这个类可以赋予(准)范数,使其成为线性函数空间,称为近似空间。我们建立允许网络具有某些类型的“跳过连接”不会改变所得到的近似空间。我们还讨论了网络非线性(也称为激活函数)在结果空间中的作用,以及深度的作用。对于流行的ReLU非线性及其功率,将新构造的空间与经典的Besov空间相提并论。如果这些网络足够深,那么建立的嵌入突出了一些非常低的Besov平滑度的函数可以通过神经网络很好地近似。
translated by 谷歌翻译
在过去的一年中,用于预训练和转学习的新模型和方法在各种语言理解任务中带来了显着的性能提升。一年前推出的GLUE基准提供了一个单数量度量标准,总结了各种此类任务的进展情况,但最近基准测试的表现接近非专家人员的水平,表明进一步研究的空间有限。本文回顾了从GLUE基准测试中汲取的经验教训,并介绍了SuperGLUE,这是一款以GLUE为基础的新标记,具有一系列更加困难的语言理解任务,改进的资源以及新的公共排行榜.SuperGLUE将很快在super.gluebenchmark.com上发布。
translated by 谷歌翻译
As low-cost surveillance cameras proliferate, we advocate for these cameras to be zero streaming: ingesting videos directly to their local storage and only communicating with the cloud in response to queries. To support queries over videos stored on zero-streaming cameras, we describe a system that spans the cloud and cameras. The system builds on two unconventional ideas. When ingesting video frames, a camera learns accurate knowledge on a sparse sample of frames, rather than learning inaccurate knowledge on all frames; in executing one query, a camera processes frames in multiple passes with multiple operators trained and picked by the cloud during the query, rather than one-pass processing with operator(s) decided ahead of the query. On diverse queries over 720-hour videos and with typical wireless network bandwidth and low-cost camera hardware, our system runs at more than 100× video realtime. It outperforms competitive alternative designs by at least 4× and up to two orders of magnitude.
translated by 谷歌翻译