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
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
本文讨论了单眼图像序列的3D全身人体姿态估计的挑战。这里考虑两种情况:(i)提供人体关节的图像定位,以及(ii)接头的图像位置是未知的。在前一种情况下,引入了一种新颖的方法,该方法集成了稀疏性驱动的3D几何先前和时间平滑度。在theterter情况下,通过将连接的图像位置视为潜在变量来扩展前一种情况。训练深度完全卷积网络预测2D关节位置的不确定性图。 3D姿态估计通过期望最大化算法在整个序列中实现,其中示出了2D联合位置不确定性可以在推理期间被方便地边缘化。对人类3.6M数据集的经验评估表明,所提出的方法比最先进的基线实现了更高的3D姿态估计精度。此外,所提出的方法在具有挑战性的PennAction数据集上优于公开可用的2D姿态估计基线。
translated by 谷歌翻译
We investigate the problem of estimating the 3D shape of an object defined bya set of 3D landmarks, given their 2D correspondences in a single image. Asuccessful approach to alleviating the reconstruction ambiguity is the 3Ddeformable shape model and a sparse representation is often used to capturecomplex shape variability. But the model inference is still a challenge due tothe nonconvexity in optimization resulted from joint estimation of shape andviewpoint. In contrast to prior work that relies on a alternating scheme withsolutions depending on initialization, we propose a convex approach toaddressing this challenge and develop an efficient algorithm to solve theproposed convex program. Moreover, we propose a robust model to handle grosserrors in the 2D correspondences. We demonstrate the exact recovery property ofthe proposed method, the advantage compared to the nonconvex baseline methodsand the applicability to recover 3D human poses and car models from singleimages.
translated by 谷歌翻译
We investigate the problem of estimating the 3D shape of an object, given aset of 2D landmarks in a single image. To alleviate the reconstructionambiguity, a widely-used approach is to confine the unknown 3D shape within ashape space built upon existing shapes. While this approach has proven to besuccessful in various applications, a challenging issue remains, i.e., thejoint estimation of shape parameters and camera-pose parameters requires tosolve a nonconvex optimization problem. The existing methods often adopt analternating minimization scheme to locally update the parameters, andconsequently the solution is sensitive to initialization. In this paper, wepropose a convex formulation to address this problem and develop an efficientalgorithm to solve the proposed convex program. We demonstrate the exactrecovery property of the proposed method, its merits compared to alternativemethods, and the applicability in human pose and car shape estimation.
translated by 谷歌翻译