Prostate cancer is the most common cancer in men worldwide and the second leading cause of cancer death in the United States. One of the prognostic features in prostate cancer is the Gleason grading of histopathology images. The Gleason grade is assigned based on tumor architecture on Hematoxylin and Eosin (H&E) stained whole slide images (WSI) by the pathologists. This process is time-consuming and has known interobserver variability. In the past few years, deep learning algorithms have been used to analyze histopathology images, delivering promising results for grading prostate cancer. However, most of the algorithms rely on the fully annotated datasets which are expensive to generate. In this work, we proposed a novel weakly-supervised algorithm to classify prostate cancer grades. The proposed algorithm consists of three steps: (1) extracting discriminative areas in a histopathology image by employing the Multiple Instance Learning (MIL) algorithm based on Transformers, (2) representing the image by constructing a graph using the discriminative patches, and (3) classifying the image into its Gleason grades by developing a Graph Convolutional Neural Network (GCN) based on the gated attention mechanism. We evaluated our algorithm using publicly available datasets, including TCGAPRAD, PANDA, and Gleason 2019 challenge datasets. We also cross validated the algorithm on an independent dataset. Results show that the proposed model achieved state-of-the-art performance in the Gleason grading task in terms of accuracy, F1 score, and cohen-kappa. The code is available at https://github.com/NabaviLab/Prostate-Cancer.

在本文中，我们开发了一个神经网络模型，以从观察到的人类运动历史中预测未来的人类运动。我们提出了一种非自动回归的变压器体系结构，以利用其平行性质，以便在测试时更容易训练和快速，准确的预测。所提出的结构将人类运动预测分为两个部分：1）人类轨迹，即随着时间的推移，髋关节3D位置和2）人类姿势，这是所有其他关节3D位置，相对于固定的髋关节。我们建议同时做出两个预测，因为共享表示可以改善模型性能。因此，该模型由两组编码器和解码器组成。首先，应用于编码器输出的多头注意模块改善了人类轨迹。其次，应用于与解码器输出相连的编码器输出的另一个多头自发项模块有助于学习时间依赖性。我们的模型非常适合于测试准确性和速度方面的机器人应用，并且相对于最新方法比较。我们通过机器人跟踪任务证明了我们作品的现实适用性，这是我们提议的模型充满挑战而实用的案例研究。

对象检测一直是实用的。我们世界上有很多事情，以至于认识到它们不仅可以增加我们对周围环境的自动知识，而且对于有兴趣开展新业务的人来说也可以很有利润。这些有吸引力的物体之一是车牌（LP）。除了可以使用车牌检测的安全用途外，它还可以用于创建创意业务。随着基于深度学习模型的对象检测方法的开发，适当且全面的数据集变得双重重要。但是，由于频繁使用车牌数据集的商业使用，不仅在伊朗而且在世界范围内也有限。用于检测车牌的最大伊朗数据集具有1,466张图像。此外，识别车牌角色的最大伊朗数据集具有5,000张图像。我们已经准备了一个完整的数据集，其中包括20,967辆汽车图像，以及对整个车牌及其字符的所有检测注释，这对于各种目的都是有用的。此外，字符识别应用程序的车牌图像总数为27,745张图像。

老年人在日常生活中面临的可能危险之一就是下降。闭塞是基于视觉的秋季检测系统的最大挑战之一，并大大降低了其检测性能。为了解决这个问题，我们合成了专门设计的遮挡视频，用于使用现有数据集训练秋季检测系统。然后，通过定义新的成本功能，我们引入了一个使用遮挡和未封闭式视频的秋季检测模型加权训练的框架，该视频可应用于任何可学习的秋季检测系统。最后，我们同时使用非深度和深层模型来评估所提出的加权训练方法的效果。实验表明，在遮挡条件下，提出的方法可以将分类精度提高36％，而对于深层模型，则可以将分类精度提高36％。此外，结果表明，所提出的训练框架还可以显着提高正常未封闭样品的深网的检测性能。

基因组学的主要目标是正确捕获基因调节网络（GRN）的复杂动力学行为。这包括推断基因之间的复杂相互作用，这些基因可用于广泛的基因组学分析，包括诊断或预后疾病以及为诸如癌症等慢性疾病的有效治疗方法。布尔网络已成为成功捕获GRN行为的成功类型。在大多数实用的环境中，应通过有限且时间稀疏的基因组数据来实现GRN的推论。 GRN中的大量基因会导致大量可能的拓扑候选空间，由于计算资源的限制，通常无法详尽地搜索。本文使用贝叶斯优化和基于内核的方法为GRN提供了可扩展有效的拓扑推断。所提出的方法不是对可能的拓扑结构进行详尽的搜索，而是构建具有拓扑启发的内核函数的高斯过程（GP），以说明可能性函数的相关性。然后，使用GP模型的后验分布，贝叶斯优化有效地搜索具有最高可能性值的拓扑，通过在勘探和剥削之间进行最佳平衡。通过使用众所周知的哺乳动物细胞周期网络的综合数值实验来证明所提出的方法的性能。

基于多种假设，现实世界中的数据通常位于低维的流形上，而将流动作为基于可能性的生成模型的标准化是由于其结构约束而无法找到这种歧管的能力。因此，出现了一个有趣的问题：$ \ textit {“我们可以在标准化流程中找到数据的子manifold（s），并估计子序列上的数据密度吗？”} $。在本文中，我们介绍了两种方法，即每像素的惩罚对数类样和等级培训，以回答上述问题。我们提出了一种单步方法，用于通过将流量标准化为歧管和偏移部分获得的转换空间，来进行关节流形学习和密度估计。这是由每像素惩罚的可能性函数来完成数据的，以学习数据的子字符。标准化流程假设转换的数据是高斯化的，但是这种施加的假设不一定是正确的，尤其是在高维度中。为了解决这个问题，采用了一种分层培训方法来改善子序列的密度估计。结果验证了在产生的图像质量和可能性方面使用归一化流的同时流动学习和密度估算中提出方法的优越性。

深度学习模型在识别医学图像中的发现方面表现出了极大的有效性。但是，他们无法处理不断变化的临床环境，从而带来了来自不同来源的新注释的医学数据。为了利用传入的数据流，这些模型将在很大程度上受益于从新样本中依次学习，而不会忘记先前获得的知识。在本文中，我们通过应用现有的最新持续学习方法介绍了MedMnist收集中连续疾病分类的基准。特别是，我们考虑了三种连续的学习方案，即任务和班级增量学习以及新定义的跨域增量学习。疾病的任务和班级增量学习解决了对新样本进行分类的问题，而无需重新从头开始模型，而跨域增量学习解决了处理源自不同机构的数据集的问题，同时保留了先前获得的知识。我们对表现进行彻底的分析，并研究如何在这种情况下表现出灾难性遗忘的持续学习挑战。令人鼓舞的结果表明，持续学习具有推进疾病分类并为临床环境产生更强大，更有效的学习框架的主要潜力。将公开提供完整基准测试的代码存储库，数据分区和基线结果。

由于其非参数化干扰和灾难性遗忘的非参数化能力，核心连续学习\ Cite {derakhshani2021kernel}最近被成为一个强大的持续学习者。不幸的是，它的成功是以牺牲一个明确的内存为代价来存储来自过去任务的样本，这妨碍了具有大量任务的连续学习设置的可扩展性。在本文中，我们介绍了生成的内核持续学习，探讨了生成模型与内核之间的协同作用以进行持续学习。生成模型能够生产用于内核学习的代表性样本，其消除了在内核持续学习中对内存的依赖性。此外，由于我们仅在生成模型上重播，我们避免了与在整个模型上需要重播的先前的方法相比，在计算上更有效的情况下避免任务干扰。我们进一步引入了监督的对比正规化，使我们的模型能够为更好的基于内核的分类性能产生更具辨别性样本。我们对三种广泛使用的连续学习基准进行了广泛的实验，展示了我们贡献的能力和益处。最值得注意的是，在具有挑战性的SplitCifar100基准测试中，只需一个简单的线性内核，我们获得了与内核连续学习的相同的准确性，对于内存的十分之一，或者对于相同的内存预算的10.1％的精度增益。

我们呈现Geonerf，一种基于神经辐射场的完全光电素质性新颖性研究综合方法。我们的方法由两个主要阶段组成：几何推理和渲染器。为了渲染新颖的视图，几何件推理首先为每个附近的源视图构造级联成本卷。然后，使用基于变压器的注意力机制和级联成本卷，渲染器Infers的几何和外观，并通过经典音量渲染技术呈现细节的图像。特别是该架构允许复杂的遮挡推理，从一致的源视图中收集信息。此外，我们的方法可以在单个场景中轻松进行微调，通过每场比较优化的神经渲染方法呈现竞争结果，其数量是计算成本。实验表明，Geonerf优于各种合成和实时数据集的最先进的最新神经渲染模型。最后，随着对几何推理的略微修改，我们还提出了一种适应RGBD图像的替代模型。由于深度传感器，该模型通常直接利用经常使用的深度信息。实施代码将公开可用。

背景和目的：髋臼版本，总髋关节置换术的必要因素，通过CT扫描作为金标准测量。 CT的辐射剂量和耗材使前后骨盆射线照相适当的替代程序。在这项研究中，我们在前后骨盆X射线上应用了深度学习方法来测量解剖学版本，消除了使用计算机断层扫描的必要性。方法：使用CT图像计算300名患者臀部的右侧和左侧髋臼版角。所提出的深度学习模型，对骨骼时代的预用-VGG16的注意力应用于包括群体的AP图像。这些人的年龄和性别被添加到最后一个完全连接的注意机制层的其他投入。作为输出，预测两个臀部的角度。结果：随着人们更老的，在CT上增加了CT的髋骨角度，男性的平均值为16.54和16.11（右侧和左角度）。使用所提出的深度学习方法估计右侧角度估计的预测错误位于精确的误差区域（<= 3度），显示了所提出的方法在基于AP图像测量解剖学版本的能力。结论：建议算法，在患者骨盆的AP图像上应用预训练的VGG16，其次是考虑年龄和患者性别的注意力模型，可以仅使用AP射线照片准确评估版本，同时避免CT扫描的需要。基于AP盆景的解剖学髋臼版本的应用技术，使用DL方法，迄今为止尚未发布。