正确捕获图像引导的神经外科手术中的术中大脑转移是将术前数据与术中几何形状对齐的关键任务，以确保准确的手术导航。虽然有限元方法（FEM）是一种经过验证的技术，可以通过生物力学制剂有效地近似软组织变形，但其成功程度归结为准确性和速度之间的权衡。为了解决这个问题，该领域的最新作品提出了通过训练各种机器学习算法获得的数据驱动模型，例如随机森林，人工神经网络（ANN），以及有限元分析（FEA）的结果，以通过预测加快组织变形近似。但是，这些方法在训练过程中不考虑有限元（Fe）网格的结构，该培训提供了有关节点连接性以及它们之间的距离的信息，这可以帮助基于力量负载点的近距离组织近似组织变形带有其余的网状节点。因此，这项工作提出了一个新颖的框架Physgnn，一种数据驱动的模型，该模型通过利用图形神经网络（GNN）近似于FEM的解决方案，该模型能够考虑到网格结构信息和对非结构性网格的网格结构信息和归纳学习结构。从经验上讲，我们证明了所提出的体系结构有望准确且快速的软组织变形近似值，并且与最新的（SOTA）算法具有竞争力，同时有望增强的计算可行性，因此适用于神经外科手术环境。

Cross-domain graph anomaly detection (CD-GAD) describes the problem of detecting anomalous nodes in an unlabelled target graph using auxiliary, related source graphs with labelled anomalous and normal nodes. Although it presents a promising approach to address the notoriously high false positive issue in anomaly detection, little work has been done in this line of research. There are numerous domain adaptation methods in the literature, but it is difficult to adapt them for GAD due to the unknown distributions of the anomalies and the complex node relations embedded in graph data. To this end, we introduce a novel domain adaptation approach, namely Anomaly-aware Contrastive alignmenT (ACT), for GAD. ACT is designed to jointly optimise: (i) unsupervised contrastive learning of normal representations of nodes in the target graph, and (ii) anomaly-aware one-class alignment that aligns these contrastive node representations and the representations of labelled normal nodes in the source graph, while enforcing significant deviation of the representations of the normal nodes from the labelled anomalous nodes in the source graph. In doing so, ACT effectively transfers anomaly-informed knowledge from the source graph to learn the complex node relations of the normal class for GAD on the target graph without any specification of the anomaly distributions. Extensive experiments on eight CD-GAD settings demonstrate that our approach ACT achieves substantially improved detection performance over 10 state-of-the-art GAD methods. Code is available at https://github.com/QZ-WANG/ACT.

Time series anomaly detection has applications in a wide range of research fields and applications, including manufacturing and healthcare. The presence of anomalies can indicate novel or unexpected events, such as production faults, system defects, or heart fluttering, and is therefore of particular interest. The large size and complex patterns of time series have led researchers to develop specialised deep learning models for detecting anomalous patterns. This survey focuses on providing structured and comprehensive state-of-the-art time series anomaly detection models through the use of deep learning. It providing a taxonomy based on the factors that divide anomaly detection models into different categories. Aside from describing the basic anomaly detection technique for each category, the advantages and limitations are also discussed. Furthermore, this study includes examples of deep anomaly detection in time series across various application domains in recent years. It finally summarises open issues in research and challenges faced while adopting deep anomaly detection models.

在任何翻译工作流程中，从源到目标的域知识保存至关重要。在翻译行业中，接收高度专业化的项目是很常见的，那里几乎没有任何平行的内域数据。在这种情况下，没有足够的内域数据来微调机器翻译（MT）模型，生成与相关上下文一致的翻译很具有挑战性。在这项工作中，我们提出了一种新颖的方法，用于域适应性，以利用最新的审计语言模型（LMS）来用于特定于域的MT的域数据增强，并模拟（a）的（a）小型双语数据集的域特征，或（b）要翻译的单语源文本。将这个想法与反翻译相结合，我们可以为两种用例生成大量的合成双语内域数据。为了进行调查，我们使用最先进的变压器体系结构。我们采用混合的微调来训练模型，从而显着改善了内域文本的翻译。更具体地说，在这两种情况下，我们提出的方法分别在阿拉伯语到英语对阿拉伯语言对上分别提高了大约5-6个BLEU和2-3 BLEU。此外，人类评估的结果证实了自动评估结果。

前列腺癌是全球诊断出的最危险的癌症。前列腺诊断受到许多因素的影响，例如病变复杂性，观察者可见性和可变性。在过去的几十年中，许多基于磁共振成像（MRI）的技术已用于前列腺癌的鉴定和分类。开发这些技术至关重要，并且具有很大的医学效果，因为它们可以提高治疗益处和患者生存的机会。已经提出了一种取决于MRI的新技术来改善诊断。该技术包括两个阶段。首先，已经对MRI图像进行了预处理，以使医疗图像更适合于检测步骤。其次，已经基于预先训练的深度学习模型InceptionResnetv2进行了前列腺癌的识别，该模型具有许多优势并取得了有效的结果。在本文中，用于此目的的InceptionResnETV2深度学习模型的平均精度为89.20％，曲线下的面积（AUC）等于93.6％。与其他先前技术相比，该提出的新深度学习技术的实验结果代表了有希望的和有效的结果。

基于模型的强化学习和控制已经在各种顺序决策问题领域（包括机器人设置）中表现出巨大的潜力。但是，现实世界中的机器人系统通常会提出限制这些方法的适用性的挑战。特别是，我们注意到在许多工业系统中共同发生的两个问题：1）不规则/异步观察和动作以及2）环境动力学从发作到另一个事件的急剧变化（例如，有效载荷有效惯用属性不同）。我们提出了一个通用框架，该框架通过元学习自适应动力学模型来克服这些困难，以进行连续的时间预测和控制。我们在模拟工业机器人上评估了建议的方法。在此预印的将来迭代中，将添加对实际机器人系统的评估。

腹主动脉瘤（AAA）是一种血管疾病，其中主动脉的一部分肿大，削弱其壁并可能破裂血管。腹部超声已用于诊断，但由于其图像质量和操作员的依赖性有限，通常需要进行CT扫描进行监测和治疗计划。最近，腹部CT数据集已成功用于训练深神经网络以进行自动主动脉分割。因此，可以利用从这项解决的任务中收集的知识来改善我们的AAA诊断和监测分段。为此，我们提出了Cactuss：一种常见的解剖CT-US空间，它是CT和美国模式之间的虚拟桥梁，以实现自动AAA筛选超声检查。仙人掌利用公开可用的标记数据来学习基于从美国和CT继承属性的中介表示。我们在此新表示中训练分割网络，并采用附加的图像到图像翻译网络，使我们的模型能够在真实的B模式图像上执行。与完全监督的方法进行的定量比较证明了在骰子评分和诊断指标方面的能力，这表明我们的方法还满足了AAA扫描和诊断的临床要求。

诊断血液系统恶性肿瘤需要鉴定和分类外周血涂片中的白细胞。由不同的实验室程序，染色，照明和显微镜设置引起的域移位阻碍了最近开发的机器学习方法对从不同站点收集的数据的重复性。在这里，我们提出了一个跨域改编的自动编码器，以在三个不同的白色血细胞中从外周血涂片扫描的单个白细胞的三个不同数据集中提取特征。自动编码器基于R-CNN架构，使其专注于相关的白色血细胞并消除图像中的伪影。为了评估提取特征的质量，我们使用简单的随机森林对单个细胞进行分类。我们表明，由于仅在一个数据集中训练的自动编码器提取的丰富功能，随机森林分类器在看不见的数据集上表现出色，并且在交叉域任务中超越了Oracle网络。我们的结果表明，可以在更复杂的诊断和预后任务中采用这种无监督的方法，而无需添加昂贵的专家标签来看不见数据。

在不同的成像方式上建立自称的语义对应是一项基础但强大的计算机视觉任务。当前的多模式注册技术最大化手工制作的域间相似性功能，在建模非线性强度关系和变形方面受到限制，并且可能需要重新工程或在新任务，数据集和域配对上进行大量重新设计或表现不佳。这项工作提出了反合，这是多模式变形注册的一种无监督的对比表示学习方法。通过将学习的多尺度局部贴片特征投射到共同学习的域间嵌入空间上，Cortareg获得了对非刚性多模式对齐有用的表示形式。在实验上，与新生儿T1-T2脑MRI登记任务上的一系列基线和消融相比，通过在一系列基准中进行平滑且可逆的变形，实现了准确，稳健的结果，并在广泛的变形正则化强度范围内验证了所有方法。

我们提出了一种新的方法来自动校准跟踪的超声探针。为此，我们设计了一个自定义幻影，该幻影由9个具有不同高度的圆锥体组成。这些技巧用作在多个扫描之间匹配的关键点。我们使用卷积神经网络提取它们，以分割每个超声框架中的锥体，然后在整个扫描中跟踪它们。使用基于图像的技术，使用RANSAC和后来完善的精制来估计校准。我们的幻影可以是3D打印的，并且比最先进的方法具有许多优势。幻影设计和算法代码可在线免费获得。由于我们的幻影本身不需要跟踪目标，因此与当前使用的技术相比，易用性的提高。如我们的实验所示，全自动方法概括为新的探针和不同的供应商。我们的方法产生的结果与域专家获得的校准相当。