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。
translated by 谷歌翻译
强化学习(RL)算法已经在复杂任务上展示了有希望的结果,但是通常需要不切实际的样本数量,因为它们从头开始学习。 Meta-RL旨在通过以前的任务中的经验来解决这一挑战,以便更快地解决新任务。然而,在实践中,这些算法在元培训过程中通常还需要大量的政策经验,这使得它们不适用于很多问题。为此,我们建议通过模仿解决以前看到的任务的专家政策来学习强化学习程序。这涉及嵌套优化,在内部循环中使用RL,在外部循环中使用监督模仿学习。由于外循环模仿学习可以通过非政策数据来完成,我们可以在元学习样本效率方面取得显着的进步。在本文中,我们展示了这种一般的想法可以用于元强化学习和从多任务演示数据学习快速RL程序。前者的结果是,在元培训期间,可以利用针对先前任务学习的策略而无需大量的政策数据,而在人员易于提供示范的情况下,这种方法特别有用。在许多连续控制meta-RL问题中,与先前的工作相比,我们证明了meta-RL样本效率的显着提高,以及通过视觉观察扩展到域的能力。
translated by 谷歌翻译
在本文中,我们从RGB视频中解决了3D对象网格重建的问题。我们的方法结合了最佳的多视图几何和数据驱动方法进行三维重建,通过优化对象网格形成多视图光度一致性,同时用ashape先前约束网格变形。我们将其视为每个网面投影的分段图像对齐问题。我们的方法允许我们从光度误差更新形状参数,而无需任何深度或掩模信息。此外,我们展示了如何通过从虚拟角度进行光栅化来避免零光度梯度的简并性。我们使用我们的光度网格优化来展示合成和现实世界视频的3D对象网格重建结果,无论是网状生成网络还是传统的表面重建管道,无需繁重的手工处理,都无法实现。
translated by 谷歌翻译
我们提出了一种自我监督的方法来训练卷积神经网络,用于从单眼内窥镜检查数据进行密集深度估计,而无需对解剖或阴影进行先验建模。我们的方法仅需要单视内窥镜视频和多视图立体方法,例如,运动的结构,以稀疏的方式进行学习。因此,我们的方法需要在训练和应用阶段进行手动标记或患者计算机断层扫描(CT)扫描。在使用CT scansas groundtruth的跨患者实验中,所提出的方法实现了亚毫米波均方误差。在最近针对体内窦内窥镜检查数据的自然视频设计的自我监督深度估计方法的比较研究中,我们证明了所提出的方法优于前一种方法的大幅度边缘。这项工作的源代码可在线公开获取:http://github.com/lppllppl920/EndoscopyDepthEstimation-Pytorch。
translated by 谷歌翻译
黑色素瘤是美国十大最常见的癌症之一。早期检测是生存的重要因素,但癌症常常在致命阶段被诊断出来。深度学习有可能提高癌症检出率,但其对黑色素瘤检测的适用性受到可用皮肤病变数据库的限制,这些数据库很小,严重失衡,并包含遮挡图像。我们提出了一个完整的深度学习系统forlesion细分和分类,利用网络专业indata净化和增强。它包含用于恢复图像遮挡的处理单元和用于填充稀缺类别的数据生成单元,或者等效地创建具有预定义病变类型的虚拟患者。我们凭经验验证了我们的方法,并显示出优于共同基线的优异性能。
translated by 谷歌翻译
从2017年到2018年,通过PubMedsearch使用关键词“机器学习”找到的科学出版物数量增加了46%(4,317到6,307)。涉及机器学习,人工智能(AI)和大数据的研究结果引起了人们的注意在西方医学努力减少成本增加和公众要求追究责任的时候,医疗保健从业者,医疗保健经理和公众都是如此。机器学习的医疗保健应用中涉及的复杂性以及相关数据集的大小为许多研究人员提供了无可争议的机会,以相对较少的监督来满足这些需求。在自然医学论文中,“人工智能临床医生在重症监护中学习了脓毒症的最佳治疗策略”,Komorowski和他的研究者提出了训练人工智能临床医生用血管加压药和静脉输液治疗败血症患者的方法。在这篇文章中,我们将仔细研究本文中提出的主张。特别是,我们将研究他们的AI临床医生建议的个人治疗概况,以了解他们的AI临床医生打算如何在个人水平上治疗患者。
translated by 谷歌翻译
基于X射线图像的手术工具导航速度快,并提供深层结构的准确图像。通常,通过基于强度的3D图像或3D或3D模型到2D光线的3D / 3D配准,可以准确地实现相对于X射线照相机恢复工具的6DOF刚性姿势和变形。然而,基于图像的2D / 3D配准的捕获范围不方便地小,这表明自动且稳健的初始化策略是至关重要的。该手稿描述了通过在X射线图像中执行灵巧手术工具的并行分割和定位,利用成像对象的语义信息来初始化基于图像的配准的捕获范围内的2D / 3D配准的第一个steptowards。我们提出了一种基于学习的策略,用于在X射线图像中同时定位和分割出光学手术工具,并证明在合成和离体数据方面具有良好的性能。我们目前正在研究使用由所提出的网络提取的语义信息来可靠且稳健地初始化基于图像的2D / 3D配准的方法。虽然基于图像的2D / 3D配准已经成为CAIcommunity的一个明显焦点,但其强大的初始化(尽管是关键的)已经在很大程度上被忽略了。本手稿讨论了基于学习的图像对象上的语义信息检索,作为这种初始化的垫脚石,因此可能是IPCAI社区感兴趣的。由于结果仍然是初步的,只关注本地化,我们的目标是Long Abstractcategory。
translated by 谷歌翻译
深度递归神经网络(RNN)在许多序列分类任务中得到普及。除了为每个数据实例预测正确的类之外,数据科学家还希望了解数据中的差异因素在学习过程中对分类的贡献。我们提出了一种可视化分析方法,通过揭示所有数据实例的RNN注意力,它们在这些序列中的时间位置以及每个值级别的变量属性来促进此任务。我们用现实世界的数据集证明,我们的方法可以帮助数据科学家从训练结果中理解深度RNN中的这种动态,从而指导他们的建模过程。
translated by 谷歌翻译
本文提出了基于混合整数规划的反事实解释的新搜索算法。我们关注的是复杂数据,其中变量可以从连续范围或附加的离散状态集中获取任何值。我们提出了一组新的约束,我们将其称为“混合多面体”,并展示如何将其与整数programmingsolver一起使用,以有效地找到连贯的反事实解释,即保证映射回基础数据结构的解决方案,同时避免需要用于蛮力枚举。我们还研究了多种解释的问题,并展示了如何在我们的框架内生成这些解释。
translated by 谷歌翻译
本文仅考虑单个低动态范围(LDR)图像作为输入,处理高动态范围(HDR)图像重建。虽然现有方法侧重于最小化目标和重建图像之间的均方误差(MSE),但我们最小化了除了HDR重建损失之外由感知和对抗性损失组成的混合损失。代替MSE的重建损失更适合于HDR,因为它更加重视暴露于过度和暴露的区域。它使重建忠实于输入。感知损失使网络能够利用有关物体和图像结构的知识来恢复饱和和粗略量化区域的强度梯度。对抗性损失有助于从多种解决方案中选择最合理的外观。结合所有三种损耗的混合损失在图像强度的对数空间中计算,使得输出保持大范围的动态范围,同时学习变得易于处理。与其他最先进的方法进行的对比实验表明,我们的方法产生了图像质量的飞跃。
translated by 谷歌翻译