目的:将深度卷积神经网络(CNN)应用于心肌动脉旋转标记(ASL)灌注成像中的左心室分割任务。开发基于特定假阳性与假阴性权衡的测量不确定性和适应性分类的方法。方法:我们使用改进的UNET架构和Monte Carlo(MC)压降。该模型对来自22名受试者的数据进行训练,并对来自6名心脏移植受者的数据进行测试。手动分割和定量心血流量(MBF)图可用于比较。我们考虑两个分割不确定性的全局核心,“骰子不确定性”和“MC不确定性”,它们分别使用和不使用手动分割计算。使用超参数$ \ beta $的Tversky损失函数来使模型适应特定的假阳性与假阴性权衡。结果:改进的UNET模型在测试集上实现了均值(std)= 0.91(0.04)$的Dice系数。使用自动分割测量的MBF与使用手动分割测量的自动分割相关($ R ^ 2 = 0.96 $)。骰子不确定性和MC不确定性非常一致($ R ^ 2 = 0.64 $)。随着$ \ beta $的增加,误报率系统性下降,假负率率系统性上升。结论:我们证明了使用CNN在心肌ASL数据中自动分离左心室的可行性。由于低血压和不一致的血液 - 心肌对比噪声比,这是特别具有挑战性的应用。我们还展示了衡量不确定性并适应假阳性率和假阴性率之间所需权衡的新方法。
translated by 谷歌翻译
包括成像(MRI,fMRI,PET等)和非成像(临床测试,人口统计学等)数据的多模态数据可以一起收集并用于疾病预测。这些不同的数据提供了有关患者病情的补充信息,以便做出明智的诊断。为了更好的疾病预测,需要能够平衡每个多模态数据的个性的模型。我们提出了一种基于图卷积的深度模型,该模型考虑了多模态数据的每个元素的独特性。我们构建了一个新颖的自我关注层,通过探索其与潜在疾病的关系来衡量人口统计数据的每个元素。与最先进的方法相比,我们在计算速度和性能方面表现出我们开发技术的优越性。我们的方法优于其他方法,具有显着的优势。
translated by 谷歌翻译
*These authors contributed equally to this work. The brightfield microscope is instrumental in the visual examination of both biological and physical samples at sub-millimeter scales. One key clinical application has been in cancer histopathology, where the microscopic assessment of the tissue samples is used for the diagnosis and staging of cancer and thus guides clinical therapy​ ​ 1​. However, the interpretation of these samples is inherently subjective, resulting in significant diagnostic variability​ ​ 2,3​. Moreover, in many regions of the world, access to pathologists is severely limited due to lack of trained personnel​ ​ 4​. In this regard, Artificial Intelligence (AI) based tools promise to improve the access and quality of healthcare​ ​ 5-7​. However, despite significant advances in AI research, integration of these tools into real-world cancer diagnosis workflows remains challenging because of the costs of image digitization and difficulties in deploying AI solutions​ ​ 8​ ,​ 9​. Here we propose a cost-effective solution to the integration of AI: the Augmented Reality Microscope (ARM). The ARM overlays AI-based information onto the current view of the sample through the optical pathway in real-time, enabling seamless integration of AI into the regular microscopy workflow. We demonstrate the utility of ARM in the detection of lymph node metastases in breast cancer and the identification of prostate cancer with a latency that supports real-time workflows. We anticipate that ARM will remove barriers towards the use of AI in microscopic analysis and thus improve the accuracy and efficiency of cancer diagnosis. This approach is applicable to other microscopy tasks and AI algorithms in the life sciences​ ​ 10​ and beyond​ ​ 11,12​. Microscopic examination of samples is the gold standard for the diagnosis of cancer, autoimmune diseases, infectious diseases, and more. In cancer, the microscopic examination of stained tissue sections is critical for diagnosing and staging the patient's tumor, which informs treatment decisions and prognosis. In cancer, microscopy analysis faces three major challenges. As a form of image interpretation, these examinations are inherently subjective, exhibiting considerable inter-observer and intra-observer variability​ 2,3​. Moreover, clinical guidelines​ 1​ and studies​ 13​ have begun to require quantitative assessments as part of the effort towards better patient risk stratification​ 1​. For example, breast cancer staging requires counting mitotic cells and quantification of the tumor burden in lymph nodes by measuring the largest tumor focus. However, despite being helpful in treatment planning, quantification is laborious and error-prone. Lastly, access to disease experts can be limited in both developed and developing countries​ 4​ , exacerbating the problem. As a potential solution, recent advances in AI, specifically deep learning​ 14​ , have demonstrated automated medical image analysis with performance c
translated by 谷歌翻译
多智能体学习为学习和模拟交通行为提供了潜在的框架。本文提出了一种新的架构来学习交通场景中的多种驾驶行为。所提出的架构可以独立地同时学习多个行为。我们利用代理的同质性,并在参数共享范例中学习。为了进一步加快培训过程,将异步更新部署到体系结构中。在同时学习不同行为的同时,给定的框架也能够学习代理之间的合作,而无需任何明确的沟通。我们应用这个框架在驾驶中容忍了两个重要的行为:1)车道保持和2)过度采取。结果表明更快的收敛和学习更通用的行为,可以扩展到任何数量的代理。当比较结果的方法时,我们的结果表明在一些案例中表现相同甚至更好。
translated by 谷歌翻译
尽管在诸如图像分类之类的感知任务方面取得了进步,但计算机在诸如图像描述和问答交换之类的认知任务上仍然表现不佳。认知是任务的核心,不仅涉及识别,而且涉及我们的视觉世界。然而,用于处理认知任务图像中的丰富内容的模型仍在使用为感知任务设计的相同数据集进行训练。为了在认知任务中取得成功,模型需要理解图像中对象之间的交互和关系。当被问及“乘坐什么车辆?”时,计算机将需要识别图像中的物体以及骑车(人,马车)和拉动(马,马车)之间的关系,以便正确回答“人员正在骑车”马车”。在本文中,我们提出了Visual Genome数据集,以便对这种关系进行建模。我们收集每个图像中对象,属性和关系的密集注释,以学习这些模型。具体来说,我们的数据集包含超过100K的图像,其中每个图像平均有21个对象,18个属性和18个对象之间的成对关系。我们将区域描述中的对象,属性,关系和名词短语与WordNet同义词的答案对进行了解。这些注释一起代表了图像描述,对象,属性,关系和问题答案的最密集和最大的数据集。
translated by 谷歌翻译
我们研究了在具有高斯设计和加性噪声的alinear模型中估计$ p $ -dimensional $ s $ -sparse向量的问题。在标签被最多$ o $对抗异常值污染的情况下,我们证明基于$ n $样本的$ \ ell_1 $ -penalized Huber的$ M $ -estimator达到了最优收敛率$(s / n)^ {1/2} +(o / n)$,达到对数因子。当污染样本的比例达到零时,至少与$ 1 / \ log(n)$一样快,证明了这一点,但我们认为这是恒定分数通过稍微复杂一些的技术可以实现离群值。
translated by 谷歌翻译
算法配置器是一种自动化方法,用于优化算法的参数以解决一类问题。我们评估一个简单随机局部搜索配置器(ParamRLS)的性能,用于调整RLS $ _k $算法的邻域大小$ k $。我们将性能测量为确定参数最佳值所需的预期配置评估数。我们分析截止时间$ \ kappa $(评估问题实例的配置的时间)对查找最佳参数值所需的预期配置评估次数的影响,我们使用最佳找到的适应值比较配置(ParamRLS-F) )或优化时间(ParamRLS-T)。我们考虑为Ridge函数类(Ridge *)的变体调整RLS $ _k $,其中每个参数值的性能在运行期间不会改变,而对于OneMax函数类,其中较长的运行有利于较小的$ k $。我们严格证明ParamRLS-F可以为任何$ \ kappa $有效地为Ridge *调整RLS $ _k $,而ParamRLS-T至少需要aquadratic。对于OneMax,ParamRLS-F将$ k = 1 $标识为线性$ \ kappa $的最佳值,而ParamRLS-T需要$ \ kappa $至少$ \ Omega(n \ log n)$。对于较小的$ \ kappa $ ParamRLS -F标识$ k> 1 $表现更好而paramRLS-T返回随机均匀选择的$ k $。
translated by 谷歌翻译
Kaczmarz算法是用于求解线性方程系统的迭代方法。我们引入了一种改进的Kaczmarz算法,用于求解分布式环境中的线性方程组,即系统内的方程分布在网络内的多个节点上。我们介绍的修改是针对具有树结构的网络而设计的,该树结构允许在网络中的节点之间传递解决方案估计。我们证明了修正算法在对方程没有额外假设的情况下收敛。我们证明了当系统一致时,算法会收敛到解决方案或最小范数的解决方案。我们还证明了在不一致的方程组的情况下,当松弛参数接近$ 0 $时,修改的relaxKaczmarz算法收敛于加权最小二乘解。
translated by 谷歌翻译
Human3.6M数据集中大规模标记3D姿势的可用性在推动静止图像的3D人体姿态估计算法中发挥了重要作用。我们观察到,该领域的最新创新主要集中在使用该数据集时明确解决泛化问题的新技术,因为该数据库是在人为主题和背景变化有限的高度控制的环境中构建的。尽管有这样的努力,我们可以证明目前的方法仍然容易出错,特别是在针对拍摄的图像进行测试时。在本文中,我们的目标是从不同的角度解决这个问题。我们提出了一种原则性的方法来生成高质量的3D姿势地面真实性,并与内部人员一起生成任何野外图像。我们通过首先设计一种新颖的立体灵感神经网络来直接将任何2D姿势映射到高质量3D对应物来实现这一点。然后,我们执行精心设计的几何搜索方案,以进一步细化关节。基于这个方案,我们建立了具有400,000个野外图像及其相应的3Dpose基础事实的大规模数据集。这使得能够训练高质量的神经网络模型,而无需专门的训练方案和辅助损失功能,其有利地抵抗最先进的3D姿势估计方法。我们还定量和定性地评估了我们模型的泛化能力。结果表明,我们的方法令人信服地优于以前的方法。我们公开提供数据集和代码。
translated by 谷歌翻译
背景:新生血管性年龄相关性黄斑变性(AMD)患者可通过某些疗法避免视力丧失。然而,预测新生血管性年龄相关性黄斑变性(nvAMD)进展的方法正在进行。目的:开发和验证深度学习(DL)算法使用彩色眼底照片(CFP)预测没有早期或中期AMD tonvAMD的1年眼睛进展。设计:DL算法的开发和验证。方法:我们训练DL算法预测1年的nvAMD进展,并使用10倍交叉验证来评估年龄相关眼病研究(AREDS)中两组眼的这种方法:无/早期/中期AMD,和中间AMD(iAMD)。我们将DL算法与AREDSdataset中手动分级的4类和9步比例进行了比较。主要结果测量:使用对于进展至nvAMD的80%特异性的灵敏度来评估DL算法的性能。结果:DL算法预测nvAMD从无/早期/ iAMD(78 +/- 6%)进展的敏感性高于9步量表(67 +/- 8%)或4类量表(48)的手动等级+/- 3%)。为了从iAMD特异性地预测进展,DL算法的灵敏度(57 +/- 6%)与9步等级(36 +/- 8%)和4类等级(20 +/- 0%)相比也更高。结论:我们的DL算法在预测nvAMD的进展方面比手动评分更好。未来的研究需要将这种DL算法应用于现实世界的临床环境中。
translated by 谷歌翻译