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
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
开集分类是处理未包含在训练数据集中的“未知”类的问题,而传统分类器假设只有已知类出现在测试环境中。现有的开放式分类器依赖于以监督方式训练的深度网络对训练集中的已知类;这会导致学习代表特化到已知类,并且很难区分未知数和未知数。相反,我们训练网络进行联合分类和重构输入数据。这增强了学习的表示,从而保留了有用的信息,可用于将未知数与知识分开,以及对知识类别进行分类。我们的新型分类重建学习用于开放集识别(CROSR)利用潜在表示来重构,并且能够在不损害已知类分类准确性的情况下实现稳健的未知检测。大量实验表明,所提出的方法在多标准数据集中优于现有的深度开集分类器,并且对于各种异常值具有鲁棒性。
translated by 谷歌翻译
准确的患者个体生存分布模型可以帮助确定终末患者的适当治疗方案。不幸的是,风险核心(例如,来自Cox比例风险模型)不提供生存概率,单次概率模型(例如,Gail模型,预测5年概率)仅提供单个时间点,而标准的Kaplan-Meier生存曲线仅提供人口大类患者的平均值意味着他们不是针对个体患者的特异性。这可以激发另一类工具,可以学习提供个体生存分布的模型,该模型提供所有时间的生存概率 - 例如Cox模型的扩展,加速失败时间,对随机生存森林的延伸和多任务逻辑回归。本文首先激发了这种“个体生存分布”(ISD)模型,并指出它们与标准模型的区别。然后讨论了评估此类模型的方法 - 即一致性,1校准,Brier评分和各种版本的L1损失 - 然后激励并定义了一种新方法“D校准”,它确定模型的概率估计是否有意义。我们还讨论了这些测量方法的不同之处,并使用它们来评估一系列生存数据集中的几种ISD预测工具。
translated by 谷歌翻译
最近关于机器学习和人工智能的可解释性的工作集中在建立简化模型,这些模型接近用于制定决策的真实标准。这些模型是一个有用的教学设备,用于教授训练有素的专业人员如何预测复杂系统将做出哪些决策,最重要的是系统如何破坏。然而,在考虑这样一个模型时,重要的是要记住Box的格言“所有模型都是错误的,但有些模型是有用的”。我们专注于区分哲学和社会学中的这些模型和解释。这些模型可以被理解为“自己动手做套件”用于解释,允许从业者直接解答“如果有问题”或者通过外部帮助产生对比解释。虽然这是一种有价值的能力,但给予这些模型无法解释似乎比必要的更困难,而其他形式的解释可能没有相同的权衡。我们将不同的思想流派进行了对比,以便对解释的内容进行对比,并建议机器学习可以从更广泛地观察问题中受益。
translated by 谷歌翻译