胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵袭性，可变预后和各种异质性组织亚区域，即肿瘤周围水肿/侵入组织，坏死核心，活性和非增强核心。这种内在的异质性也被用于它们的放射性表型，因为它们的子区域通过在多参数磁共振成像（mpMRI）扫描中传播的不同强度分布来描绘，反映了不同的生物学特性。它们的异质形状，范围和位置是其中的一部分。使这些肿瘤难以切除的因素，在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素，用于评估表观肿瘤以进行潜在的进展诊断。此外，有越来越多的证据表明，各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割（BraTS）挑战的最后七个实例（即2012-2018）期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习（ML）方法。具体而言，我们专注于i）评估术前mpMRI扫描中各种神经胶质瘤亚区的分割，ii）通过肿瘤亚区的纵向生长评估潜在的肿瘤进展，超出RECIST标准的使用，以及iii）预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后，我们研究了为每个任务确定最佳ML算法的挑战，考虑到除了在每个挑战实例上多样化之外，多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。

我们提出了一种基于注意力的方法，该方法将局部图像特征聚合到主题级表示以预测疾病严重性。与需要固定维度输入的经典深度学习相比，我们的方法在一组图像补丁上运行;因此它可以容纳可变长度输入图像而无需调整图像大小。该模型学习临床解释的主题水平表示，反映疾病的严重程度。我们的模型由三个相互依赖的模块组成，这些模块相互调节：（1）一个辨别网络，它从局部特征中学习固定长度的表示，并将它们映射到疾病严重程度; （2）通过关注对预测任务贡献最大的解剖学区域来提供可解释性的注意机制; （3）生成网络可以促进当地潜在特征的多样性。生成的关键是注意力量是非退化的，同时保持局部区域与疾病严重程度的相关性。我们在慢性阻塞性肺病（COPD）的大规模肺CT研究中训练我们的模式到终点。我们的模型为预测COPD严重程度的临床指标提供了最先进的性能。注意力的分布提供了肺组织与临床测量的区域相关性。

近年来，由于L2-Net [1]和基于三元组的度量学习[2]等强大的深度卷积神经网络体系结构，所学习的局部描述符大大超过了手工制作者。然而，目前存在两个问题。方法，阻碍了整体表现。首先，广泛使用的边际损失对于正确的对应敏感，这在现有的本地描述学习数据集中是普遍的。其次，L2距离忽略了特征向量已被归一化为单位范数的事实。为了解决这两个问题并进一步提高性能，我们提出了一种鲁棒的角度损失，其中1）使用余弦相似性代替L2距离来比较描述符，2）依赖于鲁棒损失函数，其给予具有负相关相似性的三元组更小的惩罚。生成的描述符显示不同数据集的稳健性，达到Brown数据集的最新结果，以及在Hpatches数据集和宽基线立体数据集上展示出色的泛化能力。

归一化流（NF）通过估计应用于从知识分布中抽取的样本的可逆变换来模拟一般概率密度。我们引入了一种新型NF，称为Deep DiffeomorphicNormalizing Flow（DDNF）。微分形流是一种可逆函数，其中函数及其反函数是平滑的。我们使用由时变平滑矢量场控制的非常微分方程（ODE）来构造流。我们使用神经网络参数化平滑矢量场和递归神经网络（RNN）来近似ODE的解。 RNN中的每个单元是实现一个Euler积分步骤的剩余网络。我们的流程结构实现了有效的似然评估，直接的流量反演，并且导致高度灵活的密度估计。端到端训练的DDNF通过一套密度估计和变分推理任务，采用最先进的方法获得竞争结果。最后，我们的方法带来了黎曼几何的概念，我们相信，它可以为神经密度估计开辟一个新的研究方向。

无监督域映射旨在学习在没有配对（X，Y）样本的情况下将域X转换为Y（GXY：X到Y）的函数。在没有配对数据的情况下找到最优的GXY是一个不适定的问题，因此需要适当的约束来获得合理的解决方案。最重要的约束之一是循环一致性，它通过GXX逆向映射将GXY转换后的图像强制转换回输入图像。虽然循环一致性需要同时训练GXY和GYX，但最近的方法已经证明了单侧域映射（只学习GXY）可以通过保留图像之前和翻译之间的成对距离来实现。虽然循环一致性和距离保持成功地解决了解空间，但它们忽略了图像的特殊属性，即简单的几何变换不会改变图像的语义。基于这一特殊属性，我们开发了一个几何一致的对抗网络（GcGAN），它可以实现一个无监督域映射。我们的GcGAN将原始图像及其对应图像转换为预定义的几何变换作为输入，并在新域中生成具有相应几何一致性约束的两个图像。几何一致性约束消除了不合理的解决方案并产生了更可靠的解决方案。对基线的定量比较（仅GAN）和最先进的方法，包括DistanceGAN和CycleGAN，证明了我们的方法在生成逼真图像方面的优越性。

Monocular depth estimation, which plays a crucial role in understanding 3Dscene geometry, is an ill-posed problem. Recent methods have gained significantimprovement by exploring image-level information and hierarchical features fromdeep convolutional neural networks (DCNNs). These methods model depthestimation as a regression problem and train the regression networks byminimizing mean squared error, which suffers from slow convergence andunsatisfactory local solutions. Besides, existing depth estimation networksemploy repeated spatial pooling operations, resulting in undesirablelow-resolution feature maps. To obtain high-resolution depth maps,skip-connections or multi-layer deconvolution networks are required, whichcomplicates network training and consumes much more computations. To eliminateor at least largely reduce these problems, we introduce a spacing-increasingdiscretization (SID) strategy to discretize depth and recast depth networklearning as an ordinal regression problem. By training the network using anordinary regression loss, our method achieves much higher accuracy and\dd{faster convergence in synch}. Furthermore, we adopt a multi-scale networkstructure which avoids unnecessary spatial pooling and captures multi-scaleinformation in parallel. The method described in this paper achieves state-of-the-art results on fourchallenging benchmarks, i.e., KITTI [17], ScanNet [9], Make3D [50], and NYUDepth v2 [42], and win the 1st prize in Robust Vision Challenge 2018. Code hasbeen made available at: https://github.com/hufu6371/DORN.

域适应中的一个基本问题是理解和利用跨域的分布变化。为此，我们首先提出具有特定潜变量的灵活的生成域适应网络（G-DAN），以捕获跨域的特征生成过程中的变化。通过明确地对变化进行建模，甚至可以使用生成过程在新域中生成数据，并使用G-DAN中潜在变量的新值。在实践中，一起生成所有特征的过程可能涉及高维潜在变量，需要在高维度上处理分布，并且难以从少数源域学习域变化。有趣的是，通过进一步利用关节分布的因果表示，我们然后将联合分布分解为单独的模块，每个模块涉及不同的低维潜变量并且可以单独学习，导致因果G-DAN（CG-DAN）。这提高了学习过程的统计和计算效率。最后，通过匹配目标域中的特征分布，我们可以恢复目标域联合分布并导出目标域的学习机。我们证明了G-DAN和CG-DAN在合成和实际数据实验中的域生成和跨域预测中的功效。

转移学习旨在通过从相关但不同的源域借用知识来改善目标领域的学习。为了减少源域和目标域之间的分布转移，最近的方法专注于探索跨域具有相似分布的不变表示。但是，在学习这种不变的知识时，现有方法假设源域中的标签未被污染，而在现实中，我们经常可以访问带有噪声标签的源数据。在本文中，我们首先展示标签噪声如何对各种转移学习情景中的不变表示的学习和标签转移的纠正产生不利影响。为了减少不利影响，我们提出了一种新的去噪条件不变分量（DCIC）框架，它可以证明（1）提取不变表示，给出了源域中带有噪声标记的示例和目标域中的未标记示例; （2）估计目标域中的标签分布，没有偏差。对合成数据和实际数据的实验结果验证了该方法的有效性。

在这项工作中，我们解释了如何使用计算拓扑来检测形成上皮组织的细胞的几何分布差异。特别地，我们使用持久的同源性从图像中提取拓扑信息，并用一个称为持久熵的数字进行总结。该方法是尺度不变的，对噪声具有鲁棒性并且对组织的全局拓扑特征敏感。我们发现在幼虫和前期阶段的果蝇翼盘上的鸡神经上皮和上皮之间存在显着差异。

使用无干3D超声（US）进行心导管检查的快速准确的导管检测可以提高干预的效率和结果。然而，美国的低图像质量需要额外的训练forsonographers定位导管。在本文中，我们提出了一种基于预先训练的VGG网络的导管检测方法，该方法通过重新组织的横截面利用3D信息通过共同完全卷积网络（FCN）对导管进行分割，FCN称为方向融合FCN（ DF-FCN）。基于DF-FCN的分割图像，可以通过模型拟合来定位导管。我们的实验表明，所提出的方法可以成功地在具有挑战性的离体3D USdataset中检测消融导管，该数据在猪心脏上收集。大量分析表明，与最先进的仪器检测方法相比，所提方法的Dice得分为57.7％，至少提高了11.8％。由于DF-FCN的分割性能得到改善，导管可以定位，误差仅为1.4 mm。