深度学习（DL）模型为各种医学成像基准挑战提供了最先进的性能，包括脑肿瘤细分（BRATS）挑战。然而，局灶性病理多隔室分割（例如，肿瘤和病变子区）的任务特别具有挑战性，并且潜在的错误阻碍DL模型转化为临床工作流程。量化不确定形式的DL模型预测的可靠性，可以实现最不确定的地区的临床审查，从而建立信任并铺平临床翻译。最近，已经引入了许多不确定性估计方法，用于DL医学图像分割任务。开发指标评估和比较不确定性措施的表现将有助于最终用户制定更明智的决策。在本研究中，我们探索并评估在Brats 2019-2020任务期间开发的公制，以对不确定量化量化（Qu-Brats），并旨在评估和排列脑肿瘤多隔室分割的不确定性估计。该公制（1）奖励不确定性估计，对正确断言产生高置信度，以及在不正确的断言处分配低置信水平的估计数，（2）惩罚导致更高百分比的无关正确断言百分比的不确定性措施。我们进一步基准测试由14个独立参与的Qu-Brats 2020的分割不确定性，所有这些都参与了主要的Brats细分任务。总体而言，我们的研究结果证实了不确定性估计提供了分割算法的重要性和互补价值，因此突出了医学图像分析中不确定性量化的需求。我们的评估代码在HTTPS://github.com/ragmeh11/qu-brats公开提供。
translated by 谷歌翻译
超新星（SNE）是宇宙中最亮的物体之一，是标志着恒星一生末尾的强大爆炸。超新星（SN）类型是由光谱发射线定义的，但是获得光谱法在逻辑上通常是不可行的。因此，仅使用时间序列图像数据鉴定SNE的能力至关重要，尤其是鉴于即将到来的望远镜的广度和深度的增加。我们提出了一种用于快速超新星时间序列分类的卷积神经网络方法，观察到的亮度数据在波长和时间方向上都通过高斯过程回归平滑。我们将此方法应用于完整的持续时间和截断的SN时间序列，以模拟回顾性和实时分类性能。回顾性分类用于区分宇宙学上有用的IA SNE与其他SN类型的类型，并且此方法在此任务上的准确性> 99％。我们还能够在只有两个晚上的数据和98％的准确度回顾性的情况下以60％精度区分6种SN类型。
translated by 谷歌翻译
我们使用深度学习介绍了一种用于识别超高能量宇宙射线的大规模组成的新方法。该方法的关键思想是使用两个神经网络的链。第一网络预测各个事件的主要粒子的类型，而第二个是次数的群体组成。我们将此方法应用于望远镜阵列表面检测器读数的Monte-Carlo数据，在此，其产生的4％近似的前所未有的低误差为7％。统计误差显示到系统的一个与用于模拟的幂声相互作用模型的选择相关的系统。
translated by 谷歌翻译