心脏周围环境的脂肪沉积与诸如动脉粥样硬化，颈动脉僵硬，冠状动脉钙化，心房颤动等许多健康风险因素相关。这些存款与肥胖有所不相关，这加强了其直接分割以进一步定量。然而，由于所需的人类工作量和医生和技术人员的后续高成本，这些脂肪的手动分割尚未在临床实践中被广泛部署。在这项工作中，我们提出了一种统一的方法，用于自主分割和两种类型的心脏脂肪量化。分段脂肪被称为心外膜和纵隔，并通过心包彼此分开。很多努力都致力于实现最小的用户干预。所提出的方法主要包括注册和分类算法以执行所需的分割。我们比较了多种分类算法对此任务的性能，包括神经网络，概率模型和决策树算法。所提出的方法的实验结果表明，心外膜和纵隔脂肪的平均准确性为98.5％（如果特征正常化，则为99.5％），其平均阳性率为98.0％。平均而言，骰子相似度指数等于97.6％。

本文研究了红外（IR）成像在乳房疾病检测中的潜在贡献。它比较了使用一些算法检测恶性乳房状况（例如支持向量机（SVM））在应用于公共数据时的一致性的结果。此外，为了利用实际IR成像的能力作为临床试验的补充，并使用高分辨率IR成像促进研究，我们认为使用了由自信训练的乳房医生修订的公共数据库是必不可少的。在我们的工作中，只有静态获取协议才被考虑。我们使用了来自Pro Engenharia（Proeng）公共数据库的LO2 IR单乳房图像（54个正常和48个发现）。这些图像是从联邦De Pernambuco大学（UFPE）大学医院收集的。我们采用了作者提出的相同功能，该功能使用顺序最小优化（SMO）分类器，获得了最佳结果，并获得了61.7％的准确性，而Youden指数为0.24。

这项工作提出了一种基于形态重建和启发式方法的聚集算法，称为K-Morphological集合（K-MS）。在最坏情况下，K-MS比CPU并行K-均值快，并且可以增强数据集的可视化以及非常不同的聚类。它也比对密度和形状（例如有丝分裂和三升）敏感的类似聚类方法更快。另外，K-MS是确定性的，具有最大簇的内在含义，可以为给定的输入样本和输入参数创建，与K-均值和其他聚类算法不同。换句话说，给定恒定的k，一个结构元素和数据集，k-ms会在不使用随机/伪随机函数的情况下产生K或更少的簇。最后，所提出的算法还提供了一种简单的手段，可以从图像或数据集中删除噪声。

这项工作提出了使用遗传算法（GA）在追踪和识别使用计算机断层扫描（CT）图像的人心包轮廓的过程中。我们假设心包的每个切片都可以通过椭圆建模，椭圆形需要最佳地确定其参数。最佳椭圆将是紧随心包轮廓的紧密椭圆形，因此，将人心脏的心外膜和纵隔脂肪适当地分开。追踪和自动识别心包轮廓辅助药物的医学诊断。通常，由于所需的努力，此过程是手动完成或根本不完成的。此外，检测心包可能会改善先前提出的自动化方法，这些方法将与人心脏相关的两种类型的脂肪分开。这些脂肪的量化提供了重要的健康风险标记信息，因为它们与某些心血管病理的发展有关。最后，我们得出的结论是，GA在可行数量的处理时间内提供了令人满意的解决方案。

我们提出了一种方法，以使用回归算法来预测计算机断层扫描图像中心外膜和纵隔脂肪体积。获得的结果表明，可以高度相关性预测这些脂肪是可行的，从而减轻了两种脂肪体积的手动或自动分割的需求。取而代之的是，仅分割其中一个就足够了，而另一个则可以相当准确地预测。使用MLP回归器通过旋转森林算法获得的相关系数预测基于心外膜脂肪的纵隔脂肪的相关系数为0.9876，相对绝对误差为14.4％，根相对平方误差为15.7％。基于纵隔的心外膜脂肪预测中获得的最佳相关系数为0.9683，相对绝对误差为19.6％，相对平方误差为24.9％。此外，我们分析了使用线性回归器的可行性，该回归器提供了对基础近似值的直观解释。在这种情况下，根据心外膜预测纵隔脂肪的相关系数为0.9534，相对绝对误差为31.6％，根相对平方误差为30.1％。关于基于纵隔脂肪的心外膜脂肪的预测，相关系数为0.8531，相对绝对误差为50.43％，根相对平方误差为52.06％。总而言之，有可能加快一般医学分析以及通过使用这种预测方法在最新技术中采用的一些细分和量化方法，从而降低成本，因此可以实现预防治疗减少健康问题。

对心脏周围环境的脂肪库的定量是评估与多种疾病相关的健康风险因素的准确程序。但是，由于人为的工作量，这种类型的评估并未在临床实践中广泛使用。这项工作提出了一种用于自动分割心脏脂肪垫的新技术。该技术基于将分类算法应用于心脏CT图像的分割。此外，我们广泛评估了几种算法在此任务上的性能，并讨论了提供了更好的预测模型。实验结果表明，心外膜和纵隔脂肪分类的平均准确性为98.4％，平均正面速率为96.2％。平均而言，关于分割的患者和地面真相的骰子相似性指数等于96.8％。因此，迄今为止，我们的技术已经获得了心脏脂肪自动分割的最准确结果。

这项工作提出了一种名为形态学分类器（MC）的新型分类器。 MCS汇总数学形态学和监督学习的概念。该聚集的结果是可能在选择停止标准和结构元件的选择之外地保持类的形状特征的分类器。 MCS基本上基于集合理论，其分类模型可以是数学集本身。在当前的工作中提出了两种类型的形态分类剂，即形态学K-NN（MKNN）和形态扩张分类器（MDC），其证明了方法的可行性。这项工作提供了有关MCS的优势的证据，例如，非常快速的分类时间以及竞争精度率。使用P-Dimensional数据集测试MKNN和MDC的性能。在8个数据集中的5个中，MCS绑定或表现优于14种成熟的分类器。在所有场合，所获得的精度高于所有分类器获得的平均精度。此外，所提出的实施方式利用图形处理单元（GPU）的功率来加速处理。

在Mediaeval第一次提供视觉情绪分析任务。任务的主要目的是预测对社交媒体共享的自然灾害图像的情绪反应。与灾害相关的图像通常很复杂，并且经常唤起情绪反应，使其成为视觉情绪分析的理想用例。我们认为能够对自然灾害有关的数据进行有意义的分析可能具有很大的社会重要性，这方面的共同努力可以为未来的研究开辟几个有趣的方向。该任务由三个子任务组成，每个任务旨在探索挑战的不同方面。在本文中，我们提供了任务的详细概述，任务的一般动机，以及数据集的概述以及用于评估所提出的解决方案的指标。

This paper proposes a self-supervised approach to learn universal facial representations from videos, that can transfer across a variety of facial analysis tasks such as Facial Attribute Recognition (FAR), Facial Expression Recognition (FER), DeepFake Detection (DFD), and Lip Synchronization (LS). Our proposed framework, named MARLIN, is a facial video masked autoencoder, that learns highly robust and generic facial embeddings from abundantly available non-annotated web crawled facial videos. As a challenging auxiliary task, MARLIN reconstructs the spatio-temporal details of the face from the densely masked facial regions which mainly include eyes, nose, mouth, lips, and skin to capture local and global aspects that in turn help in encoding generic and transferable features. Through a variety of experiments on diverse downstream tasks, we demonstrate MARLIN to be an excellent facial video encoder as well as feature extractor, that performs consistently well across a variety of downstream tasks including FAR (1.13% gain over supervised benchmark), FER (2.64% gain over unsupervised benchmark), DFD (1.86% gain over unsupervised benchmark), LS (29.36% gain for Frechet Inception Distance), and even in low data regime. Our codes and pre-trained models will be made public.

Low-rank and sparse decomposition based methods find their use in many applications involving background modeling such as clutter suppression and object tracking. While Robust Principal Component Analysis (RPCA) has achieved great success in performing this task, it can take hundreds of iterations to converge and its performance decreases in the presence of different phenomena such as occlusion, jitter and fast motion. The recently proposed deep unfolded networks, on the other hand, have demonstrated better accuracy and improved convergence over both their iterative equivalents as well as over other neural network architectures. In this work, we propose a novel deep unfolded spatiotemporal RPCA (DUST-RPCA) network, which explicitly takes advantage of the spatial and temporal continuity in the low-rank component. Our experimental results on the moving MNIST dataset indicate that DUST-RPCA gives better accuracy when compared with the existing state of the art deep unfolded RPCA networks.