经典的可变形配准技术取得了令人印象深刻的结果,并提供了严格的理论处理,但计算量很大,因为它们解决了每个图像对的优化问题。最近,基于学习的方法通过学习空间变形功能促进了快速登记。然而,这些方法使用受限制的变形模型,需要监督标签,或者不保证差异形态(拓扑保持)登记。此外,基于学习的注册工具并非来自可提供不确定性估计的概率框架。在本文中,我们建立了经典和基于学习的方法之间的联系。我们提出了一种概率生成模型,并推导出一种无监督的基于学习的推理算法,该算法利用经典注册方法的见解,并利用卷积神经网络(CNNs)的最新发展。我们在图像和解剖表面的3D脑注册任务上演示了我们的方法,并提供了广泛的算法经验分析。我们的原则方法可以实现精确的运行状态和非常快的运行时间,同时提供不同的保证。我们的实现可以在http://voxelmorph.csail.mit.edu在线获得。
translated by 谷歌翻译
生物医学图像分割是许多医学应用中的重要任务。基于卷积神经网络的分割方法具有最先进的精度;但是,它们通常依赖于使用大型标记数据集的监督训练。医学图像的标记数据集需要大量的专业知识和时间,并且在大规模上是不可行的。研究人员使用诸如手工设计的预处理步骤,手工调整的架构和数据增强等技术来解决缺乏标记数据的问题。然而,这些技术涉及昂贵的工程工作,并且通常是数据集特定的。我们提出了一种医学图像的自动数据增强方法。我们针对分割磁共振成像(MRI)脑部扫描的任务展示了我们的方法,重点关注一次性分割场景 - 许多医学应用中的实际挑战。我们的方法只需要单独的分段扫描,并在半监督的方法中利用其他未标记的扫描。我们从图像中学习变换模型,并使用带有标记示例的模式来合成用于监督分割的附加标记的训练样本。每个变换由空间变形场和强度变化组成,能够合成复杂效应,例如解剖学和图像采集过程的变化。使用这些新实例对监督分段器的训练提供了相对于最先进方法的显着改进。用于一次性生物医学图像分割。我们的代码可以通过以下网址获得://github.com/xamyzhao/brainstorm。
translated by 谷歌翻译
随着机器学习越来越多地影响人们和社会,重要的是我们要努力全面统一地理解如何以及为什么会产生不良后果。例如,对特定群体的下游危害往往归咎于“有偏见的数据”,但这个概念包含太多的问题,无法用于开发解决方案。在本文中,我们提供了框架,在机器学习中划分下游损害的来源,包括跨越数据生成和机器学习管道的不同类别。我们描述了这些问题是如何产生的,它们如何与特定应用相关,以及它们如何激发不同的解决方案。在此过程中,我们的目标是促进解决方案的开发,这些解决方案源于对特定应用群体和数据生成过程的理解,而不是依赖关于可能或不可能是“公平”的一般主张。
translated by 谷歌翻译
临床扫描的可变形登记是许多应用的基本任务,例如人口研究或监测个体患者的长期疾病进展。这项任务具有挑战性,因为与高分辨率研究质量的扫描不相符,临床图像非常稀疏,相比之下,缺少多达85%的切片。此外,由于相对于扫描仪的患者取向的变化,所获取的切片中的解剖结构在扫描中不一致。在这项工作中,我们引入了稀疏VoxelMorph(SparseVM),它适应了最先进的基于学习的注册方法,以改善稀疏临床图像的注册.SparseVM是一种快速,无监督的方法,可以根据置信度对体素贡献进行加权。在体素中。这导致具有不同可靠性的体素的体积的改善的注册性能,例如插值的临床扫描。 SparseVM在GPU下注册3D扫描,这比最佳性能的临床注册方法快几个数量级,同时仍然达到了相当的准确性。由于它的短时运行时间和准确的行为,SparseVM可以实现以前不可能的临床分析。该代码可在voxelmorph.mit.edu上公开获得。
translated by 谷歌翻译
我们提出了VoxelMorph,一种快速,无监督,基于学习的可变形成对医学图像配准算法。传统的注册方法针对每对图像独立地优化目标函数,这对于大型数据集而言是耗时的。我们将注册定义为参数函数,实现为卷积神经网络(CNN)。在给定一组感兴趣的图像的情况下,对其全局参数进行优化。给定一对新的扫描,VoxelMorph通过直接评估函数来快速计算变形场。我们的模型非常灵活,可以使用任何可微分的目标函数来优化这些参数。在这项工作中,我们提出并广泛评估标准图像匹配目标函数以及可以使用辅助数据的目标函数,例如仅在训练时可用的解剖学分割。我们证明无监督模型的准确性与现有技术相当,而操作数量级更快。我们还发现,使用辅助数据训练的VoxelMorph可显着提高测试时的注册准确性。我们的方法有望显着加速医学图像分析和处理管道,同时促进基于学习的注册及其应用的新方向。我们的代码可以在voxelmorph.csail.mit.edu上免费获得。
translated by 谷歌翻译
传统的可变形配准技术取得了令人印象深刻的结果,并提供了严格的理论处理,但计算密集,因为它们解决了每个图像对的优化问题。最近,基于学习的方法通过学习空间变形功能促进了快速登记。然而,这些方法使用受限制的变形模型,需要监督标签,或者不保证差异形态(拓扑保持)注册。此外,基于学习的注册工具还没有从可以提供不确定性估计的概率框架中得出。在本文中,我们提出了一种概率生成模型,并推导出一种无监督的基于学习的推理算法,该算法利用了卷积神经网络(CNNs)的最新发展。我们在3D脑注册任务上展示我们的方法,并提供该算法的经验分析。我们的方法导致了精确的运行状态和非常快的运行时间,同时提供了不同的保证和不确定性估计。我们的实施可在线获取:http://voxelmorph.csail.mit.edu。
translated by 谷歌翻译
我们知道面部网络的不同过滤器代表什么吗?我们是否可以使用此过滤器信息来训练其他任务而无需转移学习?例如,可以从面部识别网络中学习年龄,头部姿势,情绪和其他与面部相关的任务而无需转学习吗?了解这些过滤器的作用使我们能够跨任务传递知识,并在相关任务中利用大数据集。给定一个预训练网络,我们可以推断网络推广的任务​​以及将信息传输到新任务的最佳方式。
translated by 谷歌翻译
瞬态肌肉运动影响肌电信号模式的时间结构,经常导致运动模式分类方法的不稳定预测行为。我们表明,时间卷积网络序列模型利用肌电信号的历史来发现有助于正确预测运动意图的语境时间特征,特别是在类间转换期间。我们使用时间卷积网络进行电流分类,以在涉及九个人类受试者的实验中实现3个同时的手和手腕自由度。在分类准确性和稳定性方面,时间卷积网络相对于其他最先进的方法产生了显着的$(p <0.001)$性能改进。
translated by 谷歌翻译
在本文中,我们将多实例学习范式应用于基于信号的心血管结果风险分层。与需要手工制作的特征或领域知识的方法相比,我们的方法学习使用来自原始ECG信号的最先进的预测能力来表示。我们通过利用多实例学习框架来实现这一点。这种框架对于从生物识别信号中学习特别有价值,其中患者级标签可用但信号段很少被注释。我们在本文中做了两点贡献:1)将心血管死亡(CVD)的风险分层重新定义为多实例学习问题,2)使用该框架设计新的风险评分,最高四分位数的患者死亡的可能性是15.9倍住院90天内急性冠状动脉综合征的CVD。
translated by 谷歌翻译
髋部骨折是老年人死亡和残疾的主要原因。髋部骨折也是盆腔X线检查中最常见的漏诊。计算机辅助诊断(CAD)算法已经显示出帮助放射科医生检测骨折的希望,但是支持他们预测的图像特征是众所周知的难以理解的。在这项研究中,对17,587张X射线照片进行了湿法深度学习模型,以对骨折,5种患者特征和14种医院过程变量进行分类。所有20个变量都可以从射线照片预测(p <0.05),扫描仪模型(AUC = 1.00),扫描仪品牌(AUC = 0.98)以及订单是否标记为“优先级”(AUC = 0.79)具有最佳性能。当图像特征与患者数据(AUC = 0.86,p = 2e-9)或患者数据加上医院过程特征(AUC = 0.91,p = 1e-21)合并时,图像中的骨折(AUC = 0.78)得到了较好的预测。 )。具有匹配患者变量的测试集上的模型性能显着低于随机测试集(AUC = 0.67,p = 0.003);当患者和图像采集变量匹配测试集时,模型随机执行(AUC = 0.52,95%CI 0.46-0.58),表明这些变量是模型整体预测能力的主要来源。 Wealso使用Naive Bayes将来自图像模型的证据与患者和医院数据相结合,发现其包含性能得到改善,但这种方法不如直接对所有变量建模。如果CAD算法在其预测中令人费解地利用患者和过程变量,则不清楚放射科医师应如何在其他已知患者数据的背景下解释其预测。需要进一步的研究来阐明深度学习决策过程,以便计算机和临床医生能够有效地合作。
translated by 谷歌翻译