通过将机器学习算法应用于“大数据”,可以在manydomains中看到图像处理能力的快速发展。然而,在医学图像分析领域,由于大规模,注释良好的数据集的可用性有限,部分进展受到限制。造成这种情况的主要原因之一是与生产大量高质量元数据相关的高成本。最近,人们越来越关注为此目的应用众包;这种技术已经被证明可以有效地创建从计算机视觉到物理学的各个学科的大规模数据集。尽管这种方法越来越受欢迎,但还没有全面的文献综述为研究人员提供指导,以考虑在他们自己的医学成像分析中使用众包方法。在本次调查中,我们回顾了将众包应用于2018年7月之前发布的医学图像分析的研究。我们确定了常见的方法,挑战和考虑因素,为采用这种方法的研究人员提供了实用指南。最后,我们将讨论这一新兴领域的未来发展机遇。
translated by 谷歌翻译
在许多模式识别问题中,单个特征向量不足以描述对象。在多实例学习(MIL)中,对象由特征向量(\ emph {instances})的集合(\ emph {bags})表示。这需要对标准监督分类器进行调整,以便对这些实例进行包装和评估。与监督分类一样,MIL可以使用几个基准数据集和众多分类器。在执行不同MIL分类器的比较时,了解比较中使用的数据集的差异非常重要。看似不同(基于诸如维度的因素)数据集可以在分类器中引起非常相似的行为,反之亦然。这可以从比较结果中得出什么样的结论。我们的目标是概述可用的基准数据集和一些流行的MIL分类器的可变性。我们使用数据集不相似度,基于不同分类器获得的ROC曲线之间的差异,并将该数据集不相似矩阵嵌入到低维空间中。我们的结果表明,概念上类似的数据集可以表现得非常不同。因此,我们建议在现有和新的MIL分类器之间进行比较时检查此类数据集特征。数据集可通过FIGhare at \ url {https://bit.ly/2K9iTja}获得。
translated by 谷歌翻译
用于医学图像分析的分类器通常使用单一共识标签进行训练,基于组合专家或人群给出的标签。然而,注释者之间的分歧可能是提供信息的,因此删除它可能不是最好的策略。作为概念证明,我们根据对病变视觉特征的观察,预测来自ISIC 2017数据集的皮肤损伤是否为黑色素瘤。我们使用平均注释(说明共识)与标准偏差和其他分布时刻进行比较,说明不一致。我们表明,平均注释表现最好,但分歧指标仍然具有信息性。我们还在\ url {https://figshare.com/s/5cbbce14647b66286544}上提供了本文中使用的人群注释。
translated by 谷歌翻译
使用卷积神经网络(CNN)的监督特征学习可以提供医学图像的简明和疾病相关表示。然而,训练CNN需要带注释的图像数据。注释医学图像可能是一项耗时的任务,甚至专家注释也会受到实质内部和内部评估者的影响。评估图像的视觉相似性而不是指示特定病理或估计疾病严重程度可以允许非专家参与,帮助发现新模式,并且可能地减少评估者变异性。我们考虑评估胸部CT扫描中肺气肿的任务。我们从视觉上评估的肺气肿程度导出视觉相似性三联体,并使用CNN学习低维嵌入。我们在973个图像上评估网络,并显示CNN可以从派生的相似性三元组中学习疾病相关的特征表示。据我们所知,这是第一个医学图像应用程序,其中使用相似三元组来学习可用于嵌入测试图像的特征表示
translated by 谷歌翻译
机器学习(ML)算法在医学成像领域产生了巨大的影响。虽然医学成像数据集的规模在不断扩大,但经常提到的监督ML算法的挑战是缺乏注释数据。结果,已经提出了可以用更少/更多种类的监督来学习的各种方法。我们回顾了医学成像中的半监督,多实例和转移学习,包括诊断/检测或分割任务。我们还讨论了这些学习情景与未来研究机会之间的联系。
translated by 谷歌翻译
提出了一种使用高分辨率计算机断层扫描(HRCT)扫描慢性阻塞性肺病(COPD)患者自动量化肺气肿区域的方法,该方法不需要手动注释扫描进行训练。在两个不同的中心获得对照和具有不同疾病严重程度的COPD患者的HRCT扫描。来自共生矩阵和高斯滤波器组的纹理特征用于描述扫描中的肺实质。研究了两个强大版本的多实例学习(MIL)分类器,miSVM和MILES。使用在1分钟内从力呼吸量提取的弱标签(FEV $ _1 $)和肺部对一氧化碳(DLCO)的扩散能力来训练分类器。在测试时,分类器输出指示总体COPD诊断的患者标签和指示肺气肿存在的局部标签。将分类器性能与两位放射科医师,基于经典密度的方法和肺功能测试(PFT)的制造笔记进行比较。 miSVM分类器在患者和肺气肿分类方面均优于MILES。与基于密度的方法相比,分类器与PFT具有更强的相关性,来自两位放射科医师的注释交叉点中的重症百分比,以及由一位放射科医师注释的肺气肿的百分比。分类器和PFT之间的相关性仅优于第二放射科医师。因此,该方法有利于促进评估脓毒症和减少观察者间的变异性。
translated by 谷歌翻译
机器人辅助体外超声系统的发展历史悠久,自20世纪90年代以来,已经提出了许多项目,重点放在不同的技术方面。这些旨在解决现场手动操作手持式超声探头的不足。本文介绍了一系列定制机器人系统的最新进展,包括单臂和双臂版本,用于已知的智能胎儿成像和诊断(iFIND)项目。在简要回顾了用于胎儿和腹部检查的体外超声机器人系统的发展历史后,介绍了iFIND机器人的具体目标,设计演变,每个版本的实施细节以及iFIND机器人系列的初步临床反馈。基于这些新提出的机器人对30名志愿者的初步测试,对机电一体化系统的成功和可靠的工作进行了验证。对参与者问卷的分析表明,志愿者的扫描经验很舒适,机器人扫描的接受率很高。
translated by 谷歌翻译
早期发现癌症对于治疗和整体患者生存至关重要。在上呼吸消化道(UADT)中,用于鉴定恶性组织的金标准是侵入性活组织检查。最近,诸如共聚焦激光显微术和光学相干断层扫描(OCT)的非侵入性成像技术已被用于组织评估。特别是,在最近的一项研究中,专家仅使用OCT图像将UADT中的病变分类为其侵袭性。由于结果很有希望,病变的自动分类可能是可行的,可以帮助专家决策。因此,我们从OCT图像中解决了自动病变分类的问题。由于availabledataset非常小且数据质量有限,因此这项任务非常具有挑战性。然而,由于类似的问题在许多临床情景中是典型的,我们研究了在何种程度上仍然可以训练深度学习方法并将其用于决策支持。
translated by 谷歌翻译
我们提出了一种通过在卷积神经网络中融合多分辨率,多传感器和多时相卫星图像来快速分割淹水建筑物的新方法。我们的模型显着加速了基于卫星图像的洪水地图的生成,这对洪水事件早期阶段的第一响应者和地方发生地至关重要。通过结合多时相卫星图像,我们的模型可以快速准确地进行灾后损害评估,并可供政府用于更好地协调受影响地区的中期和长期财政援助计划。该网络由多个编码器 - 解码器架构流组成,这些架构从中分辨率图像中提取时空信息,并从高分辨率图像中提取空间信息,然后将得到的表示融合到单个中等分辨率的水淹建筑分割图中。我们将我们的模型与建立足迹分割的最先进方法以及用于洪水建筑物的这些方法的替代融合方法进行比较,并发现我们的模型在两个任务上都表现最佳。我们还证明了我们的模型仅使用公开可用的中等分辨率数据生成高度精确的水淹建筑物分段图,而不是显着更加详细但非常稀疏的极高分辨率数据。我们发布了灾难站点的完全预处理和标记的多分辨率,多光谱和多时相卫星图像的第一个开源数据集以及我们的源代码。
translated by 谷歌翻译
检测和绘制非正规住区包括联合国可持续发展的若干目标。这是因为非正式定居点对地球上最具社会和经济影响力的人来说是最重要的。因此,了解这些定居点的位置对于政府和非政府组织(NGO)至关重要,例如联合国儿童基金会(UNICEF),谁可以利用这些信息来提供有效的社会和经济援助。我们提出了两种有效的方法来检测和绘制非正式住区的位置。一个只使用低分辨率(LR),免费提供,具有噪声注释的Sentinel-2多光谱卫星成像,而另一个是仅使用昂贵的超高分辨率(VHR)卫星图像的深度学习方法。据我们所知,我们是第一个使用低分辨率卫星图像成功绘制非正规住区的地图。我们广泛评估和比较提出的方法。请在http://frontierdevelopmentlab.github.io/informal-settlements/找到其他资料。
translated by 谷歌翻译