- Автоматический поиск формы кратера с использованием неконтролируемых и полуконтролируемых систем (arXiv)
Автор: Атал Тевари, Викрант Джайн, Нитин Кханна
Аннотация:Ударные кратеры образуются в результате непрерывных ударов о поверхность планетарных тел. Самые последние методы обнаружения кратеров, основанные на глубоком обучении, рассматривают кратеры как круглые формы, и меньше внимания уделяется извлечению точных форм кратеров. Извлечение точных форм кратеров может быть полезно для многих расширенных анализов, таких как образование кратеров. В этой статье предлагается сочетание неконтролируемого неглубокого обучения и частично контролируемого глубокого обучения для точного извлечения форм кратеров и обнаружения отсутствующих кратеров из существующего каталога. В неконтролируемом неглубоком обучении мы предложили адаптивный алгоритм извлечения обода для извлечения формы кратеров. В этом адаптивном алгоритме извлечения краев мы использовали профили высот ЦМР и применяли морфологическую операцию к склонам, полученным с помощью ЦМР, для извлечения форм кратеров. Извлеченные формы кратеров используются в полууправляемом глубоком обучении для определения местоположения, размера и уточненных форм. Кроме того, извлеченные формы кратеров используются для уточнения оценки диаметра кратеров, глубины и других морфологических факторов. Форма кратеров, предполагаемый диаметр и глубина вместе с другими морфологическими факторами будут общедоступны.
2.Глубокое метаобучение для выбора точного ультразвукового классификатора массы груди (arXiv)
Автор:Михал Бира, Пётр Карват, Иван Рыжанков, Пётр Коморовский, Земовит Климонда, Лукаш Фура, Анна Павловска, Норберт Золек, Ежи Литневский
Аннотация: Стандартные методы классификации, основанные на созданных вручную морфологических и текстурных признаках, показали хорошие результаты при дифференциации массы молочной железы при ультразвуковом исследовании (УЗИ). По сравнению с глубокими нейронными сетями, которые обычно воспринимаются как модели «черного ящика», классические методы основаны на особенностях, которые имеют хорошо понятную медицинскую и физическую интерпретацию. Однако классификаторы, основанные на морфологических признаках, обычно неэффективны при наличии артефакта затенения и плохо определенных границ масс, в то время как классификаторы на основе текстуры могут дать сбой, когда изображение УЗИ слишком зашумлено. Поэтому на практике было бы полезно выбрать метод классификации, основанный на внешнем виде конкретного УЗ-изображения. В этой работе мы разрабатываем глубокую метасеть, которая может автоматически обрабатывать входные изображения массы груди и рекомендовать, следует ли применять классификатор на основе формы или текстуры для дифференциации массы груди. Наши предварительные результаты показывают, что методы метаобучения можно использовать для повышения производительности стандартных классификаторов на основе созданных вручную функций. С помощью предложенного подхода, основанного на метаобучении, мы достигли площади под кривой рабочей характеристики приемника 0,95 и точности 0,91.
3.MALUNet: универсальная и легкая сеть UNet для сегментации кожных поражений (arXiv)
Автор:Цзячэн Жуань, Сунчэн Сян, Минге Се, Тин Лю, Юйчжо Фу
Аннотация. В последнее время в некоторых новаторских работах предпочтение отдавалось применению более сложных модулей для повышения производительности сегментации. Однако он не подходит для реальной клинической среды из-за ограниченных вычислительных ресурсов. Чтобы решить эту проблему, мы предлагаем облегченную модель для достижения конкурентоспособных характеристик сегментации поражений кожи с наименьшими затратами параметров и вычислительной сложностью. Вкратце, мы предлагаем четыре модуля: (1) DGAсостоит из механизмов расширенной свертки и закрытого внимания для извлечения информации о глобальных и локальных функциях; (2) IEA, которая основана на внешнем внимании к характеристике общих наборов данных и усилении связи между выборками; (3) CAB состоит из одномерной свертки и полностью связанных слоев для выполнения глобального и локального слияния многоэтапных функций для создания карт внимания на оси канала; (4) SAB, который работает с многоэтапными функциями с помощью общей 2D-свертки для создания карт внимания на пространственной оси. Мы объединяем четыре модуля с нашей U-образной архитектурой и получаем облегченную модель сегментации медицинских изображений, получившую название MALUNet. По сравнению с UNet, наша модель улучшает показатели mIoU и DSC на 2,39% и 1,49% соответственно, при этом количество параметров и вычислительная сложность уменьшаются в 44 и 166 раз. Кроме того, мы проводим сравнительные эксперименты на двух наборах данных сегментации поражений кожи (ISIC2017 и ISIC2018). Экспериментальные результаты показывают, что наша модель обеспечивает баланс количества параметров, вычислительной сложности и производительности сегментации. Код доступен по адресу https://github.com/JCruan519/MALUNet.
