AASM准则是为了有一种常用的方法，旨在标准化睡眠评分程序的数十年努力的结果。该指南涵盖了从技术/数字规格（例如，推荐的EEG推导）到相应的详细睡眠评分规则到年龄的几个方面。在睡眠评分自动化的背景下，与许多其他技术相比，深度学习表现出更好的性能。通常，临床专业知识和官方准则对于支持自动睡眠评分算法在解决任务时至关重要。在本文中，我们表明，基于深度学习的睡眠评分算法可能不需要充分利用临床知识或严格遵循AASM准则。具体而言，我们证明了U-Sleep是一种最先进的睡眠评分算法，即使使用临床非申请或非规定派生，也可以解决得分任务，即使无需利用有关有关的信息，也无需利用有关有关的信息。受试者的年代年龄。我们最终加强了一个众所周知的发现，即使用来自多个数据中心的数据始终导致与单个队列上的培训相比，可以使性能更好。确实，我们表明，即使增加了单个数据队列的大小和异质性，后者仍然有效。在我们的所有实验中，我们使用了来自13个不同临床研究的28528多个多摄影研究研究。
translated by 谷歌翻译
我们提出了一种新的图像缩放方法，既用于缩小和放大尺寸，都以任何比例因子或所需的大小运行。调整大小的图像是通过对全球范围内的双变量多项式进行采样来实现的。该方法的特殊性在于我们使用的采样模型和插值多项式。我们考虑了基于第一类Chebyshev零的不寻常的采样系统，而不是经典的统一网格。这种节点的最佳分布允许考虑由de la vall \'ee poussin型过滤器定义的接近最佳的插值多项式。该过滤器的动作射线提供了一个附加参数，可以适当调节以改善近似值。该方法已在大量不同的图像数据集上进行了测试。结果以定性和定量术语进行评估，并与其他可用竞争方法进行比较。所得缩放图像的感知质量使得保留了重要的细节，并且伪像的外观很低。竞争性质量测量值，良好的视觉质量，有限的计算工作和中等记忆需求使该方法适合现实世界应用。
translated by 谷歌翻译
皮肤病变分割是高效的非侵入性计算机辅助性早期诊断黑素瘤的关键步骤之一。本文调查了除了显着性的颜色信息，可用于自动测定着色的病变区。与仅使用显着性的大多数现有的分割方法不同，以便与周围地区的皮肤病变区分，我们提出了一种采用二值化过程的新方法，其与新的感知标准相结合，受到人类视觉感知的启发，与显着性的性质有关和输入图像数据分布的颜色。作为改进所提出的方法的准确性的手段，在分割步骤之前前面通过预处理，旨在减少计算负担，消除伪像和改善对比度。我们已经在两个公共数据库上评估了该方法，包括1497个Dermoscopic图像。我们还通过明确为DerMicopic图像明确设计的经典和最近的基于显着的方法的性能。定性和定量评估表明，该方法是有前途的，因为它产生了精确的皮肤病变分割，与其他基于显着性的分段方法相比令人满意地表现得令人满意。
translated by 谷歌翻译