利用观测到的流体压力和速率的瞬态数据来校准储层模型是获得地球地下流动和运移行为的预测模型的关键任务。模型校准任务,通常称为“历史匹配”,可以形式化为不适定的反问题,其中我们的目标是找到解释观察到的动态数据的岩石物理特性的基础空间分布。我们使用在地质统计学基于对象的模型上预训练的年龄对抗网络来表示烃类储层合成模型的岩石属性分布。使用瞬态两相不可压缩达西公式来模拟储层流体的动态行为。通过首先使用预先训练的生成模型对属性分布进行建模,然后使用前向问题的相邻方程对控制生成模型输出的潜变量进行梯度下降,对基础储层性质进行转换。除了动态观测数据外,我们还通过引入额外的目标函数来包括岩石类型的约束。我们的贡献表明,对于一个综合测试案例,我们能够通过优化深度生成模型的潜变量空间来获得逆问题的解,给出一组非线性前向问题的瞬态观察。
translated by 谷歌翻译
我们在偏微分方程(PDE)约束逆问题的背景下提出了深度生成模型的应用。我们结合了表示创建地下地质结构及其岩石物理特性的先验模型的代表性对抗网络(GAN),以及PDE的数值解决方案,用于控制地球内部的声波传播。我们使用近似大都会调整的Langevin算法(MALA)进行贝叶斯反演,从后验给定的地震观测中进行采样。通过求解声波方程的伴随来获得关于控制前向问题的模型参数的梯度。通过利用用于表示生成模型的深度神经网络的可微分性质来获得关于该变量的不匹配的梯度。我们表明,近似的MALA采样允许从由深度生成模型表示的先验获得的模型参数的有效贝叶斯反演,获得反映观察到的地震响应的多种实现。
translated by 谷歌翻译
在这项工作中,我们提出了一种新颖的,生物启发的多感官SLAM方法,称为ViTa-SLAM。与其他多感官SLAM变体相比,这种方法可以实现无缝的多感官信息融合,同时与环境自然地相互作用。该算法使用称为WhiskEye的仿生机器人平台在模拟设置中进行经验评估。我们的结果显示,在闭环检测方面,现有的生物启发SLAM方法的性能有望得到改善。
translated by 谷歌翻译
我们考虑了Haber和Ruthotto 2017以及Chang等人最近的工作。 2018年,深度学习神经网络被解释为受常微分方程约束影响的最优控制问题的离散。我们回顾了最优性的第一顺序条件,以及确保离散化后的最优性的条件。这导致了一类解决离散最优控制问题的算法,保证了最优的相应离散必要条件得到了充实。我们讨论了两种不同的深度学习算法,并对算法推广的能力进行了初步分析。
translated by 谷歌翻译
我们研究了无线性方法,用于优化线性策略类的策略优化。我们专注于在应用于线性二次系统时表征这些方法的收敛速度,并研究驱动噪声和奖励反馈的各种设置。我们证明了这些方法可以合理地收敛到最优策略的任何预先指定的容差内,并且具有多个零阶评估,该评估是问题的容错,维度和曲率属性的显式多项式。我们的分析揭示了附加驱动噪声和随机初始化设置之间的一些有趣的差异,以及一点和两点向前反馈的设置。我们的理论通过对这些系统上的无衍生方法的广泛模拟得到证实。在此过程中,我们推导出随机零阶优化算法的收敛性,当应用于某类非凸问题时。
translated by 谷歌翻译
对于前列腺癌患者,Gleason评分是最重要的预后因素之一,可能决定独立于分期的治疗。然而,Gleason评分基于肿瘤形态的主观显微镜检查并且具有较差的再现性。在这里,我们提出了一个深度学习系统(DLS),用于Gleason评分前列腺切除术的全幻灯片图像。我们的系统是使用来自1,226张幻灯片的1.12亿个病理学家注释的图像片段开发的,并在331个幻灯片的独立验证数据集上进行评估,其中参考标准由泌尿生殖专家病理学家建立。在验证数据集中,29名一般病理学家的平均准确度为0.61。 DLS的诊断准确率显着提高0.70(p = 0.002),并且与临床随访数据的相关性趋向于更好的患者风险分层。我们的方法可以提高格里森评分的准确性和随后的治疗决策,特别是在专业知识不可用的情况下。 DLS还超越了当前的格里森系统,以更精细地表征和定量肿瘤形态,为格里森系统本身的细化提供了机会。
translated by 谷歌翻译
目的:从高度欠采样的动态MRI数据中获得高质量的重建,目的是缩短采集时间,并在一系列临床应用中改善医生在临床实践中的结果。理论和方法:在动态MRI扫描中,目标结构和物理运动之间的相互作用影响所获得的测量。我们通过提出一种变分框架 - 称为压缩传感加运动(CS + M)来利用MRI中运动的强烈反响 - 在单个模型中同时且明确地连接算法MRI重建和物理运动的计算。最准确地说,我们将图像重构和运动估计问题重新设计为单个优化问题,通过将其分解为两个计算上更棘手的问题来迭代地求解。在不同的临床应用中证明了ourapproach的潜力和泛化能力,包括心脏灌注,心脏灌注和脑灌注成像。结果:所提出的方案减少了模糊伪影并保留了目标形状和精细细节,同时观察到高度欠采样的最低重建误差高达12倍。这导致比比较的重建算法更低的残留混叠特性。总体而言,我们的方案的结果表现出更稳定的行为,并产生更接近黄金标准的建设。结论:我们表明,将物理运动纳入CS计算可以显着改善MR图像重建,实际上,它更接近于金标准。这意味着更高的重建质量,同时需要更少的测量。
translated by 谷歌翻译
用于图像语义分割的深度学习模型需要大量数据。在医学成像领域,获取足够的数据是非常重要的挑战。标记医学图像数据需要专业知识。各机构之间的协作可以解决这一挑战,但是向一个集中位置分享医疗数据会面临各种法律,隐私,技术和数据所有权方面的挑战,特别是在国际机构中。在本研究中,我们首次使用联合学习机构多机构协作,在不共享患者数据的情况下实现深度学习建模。我们的定量结果表明联合语义分段模型(Dice = 0.852)在多模式脑机上的表现类似于通过共享数据训练的模型(Dice = 0.862)。我们将联合学习与两种可选的协作学习方法进行比较,发现它们无法与联邦学习的性能相匹配。
translated by 谷歌翻译
在计算机视觉中使用运动分析来理解在图像序列中移动物体的行为。优化动态生物系统的解释需要精确和精确的运动跟踪以及高维运动轨迹的高效表示,以便这些可用于预测任务。在这里,我们使用心脏的图像序列,使用心脏磁共振成像获得,使用在解剖学形状先验训练的完全卷积网络创建时间分辨的三维分割。这种密集运动模型形成了对无监督去噪自动编码器(4Dsurvival)的输入,这是一种由自动编码器组成的混合网络,该自动编码器学习在观察到的结果数据上训练的任务特定的潜在代码表示,产生针对生存预测优化的潜在表示。为了处理正确审查的生存结果,我们的网络使用了Cox部分似然丢失函数。在302名患者的研究中,预测准确性(由Harrell'sC指数量化)显着高于(p <.0001)我们的模型C = 0.73(95 $ \%$ CI:0.68-0.78)比C的人类基准= 0.59(95 $ \%$ CI:0.53 - 0.65)。这项工作演示了使用高维医学图像数据的复杂计算机视觉任务如何有效地预测人类生存。
translated by 谷歌翻译
最近的一项工作已经描述了EM算法的有利设置的行为,其中人口可能性在其最大化参数周围是局部强烈的。实例包括适当分离的高斯混合物模型和线性回归的混合物。我们考虑的是替代拟合设置,其中似然性不需要强烈凹陷,或者等效地,当Fisher信息矩阵可能是单数时。在这样的设置中,已知基于$ n $样本的MLE的全局最大值可以具有非标准的$ n ^ { - 1/4} $收敛率。 EM算法在这样的设置中如何?着眼于适用于多元高斯分布的双组分混合的简单设置,我们研究了EM算法在混合权重不同(不平衡情况)和相等(平衡情况)时的行为。我们的分析揭示了这些情况之间的明显区别:在前者中,EM算法几何上从真实参数收敛到欧几里德距离$ O((d / n)^ {1/2})$,而在后者情况下,收敛速度呈指数级增长,且固定点的$ O((d / n)^ {1/4})$精度要低得多。平衡过拟合情况下的较慢收敛源于Fisher信息矩阵的奇异性。对这种单一案例的分析需要引入一些新的分析技术,特别是我们在相关的经验过程中使用仔细的本地化形式,并开发递归论证以逐步提高统计率。
translated by 谷歌翻译