本文提出了一种基于变压器的新型模型架构，用于涉及椎骨分析的医学成像问题。它考虑了此类模型在MR图像中的两种应用：（a）脊柱转移的检测以及椎骨骨折和转移索压缩的相关条件，（b）椎间盘上常见变性变化的放射学分级。我们的贡献如下：（i）我们提出了一个脊柱上下文变压器（SCT），这是一种适合分析椎体（VBS）等医学成像中重复解剖结构的深度学习结构。与以前的相关方法不同，SCT考虑了所有可用图像模式中观看的所有VBS，从而根据脊柱的其余部分和所有可用成像方式对每种图像进行了预测。 （ii）我们将体系结构应用于新颖而重要的任务：检测脊柱转移以及绳索压缩和椎骨骨折的相关条件/多系列脊柱MR扫描中的崩溃。这是使用从自由文本放射学报告中提取的注释而不是定制注释来完成的。然而，最终的模型表现出与测试集上椎骨级别放射科医师注释的强烈一致性。 （iii）我们还将SCT应用于现有问题：腰椎MR扫描中脊椎间盘（IVD）的放射学分级以进行常见的退化性变化。我们表明，通过考虑图像中椎体的背景，SCT提高了SCT的上下文，提高了SCT的准确性与先前发布的模型相比，几个等级。
translated by 谷歌翻译
当今，机器人技术的新型机器人运动学和基于学习的应用程序的开发几乎完全在模拟中进行，然后才在现实世界中实施。特别是，与传统的操纵器相比，模块化可重构机器人（MRR）是工业机器人技术的令人兴奋的创新，有望更大的灵活性，提高可维护性和成本效益。但是，几十年来，没有像为机器人操纵器对模块进行模拟和模型组件的工具或标准化方法。我们介绍了工业模块化机器人技术的工具箱（Timor），这是一种python工具箱，可弥合此间隙并将模块化机器人技术集成在现有的仿真和优化管道中。我们的开源库配备了各种示例和教程，并且可以轻松地与现有的仿真工具集成在一起 - 尤其是通过提供任意模块化机器人组件的URDF导出，从而使快速模型生成。
translated by 谷歌翻译
联合学习使多个数据中心能够协作培训中心模型，而无需公开任何机密数据。尽管确定性模型能够执行高预测准确性，但它们缺乏校准和量化不确定性的能力对于安全至关重要的应用是有问题的。与确定性模型不同，诸如贝叶斯神经网络之类的概率模型相对良好，能够量化不确定性以及其竞争性预测准确性。两种方法都出现在联邦学习框架中。但是，确定性模型的聚合方案不能直接应用于概率模型，因为权重对应于分布而不是点估计。在这项工作中，我们研究了各种聚合方案对变异贝叶斯神经网络的影响。通过三个图像分类数据集的经验结果，我们观察到，汇总分布的传播程度是学习过程中的重要因素。因此，我们提出了有关如何在联合学习中结合变异贝叶斯网络的问题的调查，同时为不同的聚合设置提供了基准。
translated by 谷歌翻译