深度学习网络在快速磁共振成像（MRI）重建中显示出令人鼓舞的结果。在我们的工作中，我们开发了深层网络，以进一步提高重建的定量和感知质量。首先，我们提出了Reconsynergynet（RSN），该网络结合了在图像和傅立叶域上独立运行的互补益处。对于单线采集，我们引入了深层级联RSN（DC-RSN），这是一个与数据保真度（DF）单位交织在一起的RSN块的级联。其次，我们通过协助T1加权成像（T1WI）的帮助，这是T2加权成像（T2WI）的DC-RSN的结构恢复，这是一个短时间采集时间的序列。通过日志功能（高尔夫）融合的梯度为DC-RSN提供T1援助。此外，我们建议感知改进网络（PRN）来完善重建以获得更好的视觉信息保真度（VIF），这是一种与放射科医生对图像质量高度相关的指标。最后，对于多线圈采集，我们提出了可变拆分RSN（VS-RSN），深层块，每个块，包含RSN，多圈DF单元和加权平均模块。我们广泛验证了单线和多线圈采集的模型DC-RSN和VS-RSN，并报告最先进的性能。我们在FastMRI中获得了0.768、0.923、0.878的SSIM，单线圈-4X，多螺旋-4X和多型圈-8X的SSIM为0.878。我们还进行了实验，以证明基于高尔夫的T1援助和PRN的功效。
translated by 谷歌翻译
目前借助脑电图（EEG）信号目前进行自动睡眠分期研究。最近，基于深度学习（DL）的方法在该领域实现了重大进展，允许在自动睡眠分段中近的人类准确性。然而，基于EEG的睡眠分段需要广泛的以及昂贵的临床设置。此外，在研究下，对课程的专家和增加不便的要求呈现在护理点中不利。心电图（ECG）是脑电图的不引人注目的替代品，更适合，但其性能不成本，与基于EEG的睡眠分段相比，亚比例仍然存在。当然，将知识从EEG转移到ECG，最终提高了基于ECG的投入的模型的性能有助于。知识蒸馏（KD）是DL中的着名概念，用于看起来将知识从更好但潜在的繁琐的教师模型转移到紧凑的学生模型。在这一概念上，我们提出了一个跨模型KD框架，以便通过通过在eeg上培训的型号学习的功能的帮助来提高基于ECG的睡眠分期性能。此外，我们还对所提出的模型的各个组成部分进行多次实验，以便更好地了解蒸馏方法。梦想研究（质量）蒙特利尔档案的200个科目的数据用于我们的研究。所提出的模型分别在4级和3级睡眠分段中分别增加了14.3×％和13.4 \％。这证明了KD在4级（W-L-D-R）和3级（W-N-R）分类中的单通道ECG基于睡眠分段的性能改进的可行性。
translated by 谷歌翻译
可穿戴传感器的指数升高在日常活动中评估生理参数时已经获得了重大兴趣。呼吸率是在生活方式活动的性能评估中使用的重要参数之一。但是，测量，运动伪影和其他噪声的突兀设置使过程复杂化。本文介绍了基于深度学习（DL）的多任务架构，用于估计来自心电图和加速度计信号的瞬时和平均呼吸速率，使得它在日常生活活动中有效地执行，如骑自行车，行走等。多任务网络包括组合编码器 - 解码器和编码器 - IncesNet，用于获取平均呼吸速率和呼吸信号。可以利用呼吸信号以获得呼吸峰和瞬时呼吸循环。平均绝对误差（MAE），根均线误差（RMSE），推理时间和参数计数分析用于将网络与当前艺术机器学习（ML）模型和其他研究中开发的DL模型进行比较。基于各种输入的其他DL配置也是作为工作的一部分开发的。该拟议模型显示出更好的整体准确性，并且在不同活动期间的单个方式提供了更好的结果。
translated by 谷歌翻译
在推理时间检测到分布（OOD）数据对于机器学习的许多应用至关重要。我们提出Xood：一个新型的基于极值的OOD检测框架，用于图像分类，由两种算法组成。第一个是Xood-M完全无监督，而第二个Xood-L则是自我监督的。两种算法都依赖于神经网络激活层中数据的极端值捕获的信号，以区分分布和OOD实例。我们通过实验表明，Xood-M和Xood-l均优于效率和准确性的许多基准数据集的最先进的OOD检测方法，从而将虚假阳性率（FPR95）降低了50％，同时改善了推论时间数量级。
translated by 谷歌翻译