从不同扫描仪/部位的有丝分裂数字的检测仍然是研究的重要主题，这是由于其潜力协助临床医生进行肿瘤分级。有丝分裂结构域的概括（MIDOG）2022挑战旨在测试从多种扫描仪和该任务的多种扫描仪和组织类型中看不见数据的检测模型的鲁棒性。我们提供了TIA中心团队采用的方法来应对这一挑战的简短摘要。我们的方法基于混合检测模型，在该模型中，在该模型中进行了有丝分裂候选者，然后被深度学习分类器精炼。在训练图像上的交叉验证在初步测试集上达到了0.816和0.784的F1得分，这证明了我们模型可以从新扫描仪中看不见的数据的普遍性。
translated by 谷歌翻译
这项工作提出了一种有丝分裂检测方法，只有一个香草卷积神经网络（CNN）。我们的方法由两个步骤组成：给定图像，我们首先使用滑动窗口技术应用CNN来提取具有有丝分裂的斑块。然后，我们计算每个提取的斑块的类激活图，以获得有丝分裂的精确位置。为了提高模型的推广性，我们使用一系列数据增强技术训练CNN，与噪声标记的图像相抵制的损失以及主动的学习策略。我们的方法在MIDOG 2022挑战的初步测试阶段中，通过有效网络B3模型获得了0.7323的F1得分。
translated by 谷歌翻译
在对光学相干断层扫描（OCT）数据进行深度学习的应用时，通常是使用源自体积数据的2D图像训练分类网络。鉴于OCT系统的千分尺分辨率，在可见的结构和噪声中，连续图像通常非常相似。因此，不适当的数据拆分可能会导致训练和测试集之间的重叠，其中很大一部分文献忽略了这一方面。在这项研究中，使用三个OCT开放式访问数据集，Kermany's和Srinivasan的Ophthalmology数据集以及AIIMS乳房组织数据集证明了三个分类任务的数据集对模型评估的影响。结果表明，分类性能在MATTHEWS相关系数（准确性：5％至30％）方面膨胀了0.07，对于在数据集中测试的模型不当，突出了数据集处理对模型评估的相当大影响。这项研究旨在提高人们对数据集分裂的重要性的认识，因为在对OCT数据上实施深度学习方面的研究兴趣增加。
translated by 谷歌翻译
事情互联网（物联网）正处于重大范式转变的边缘。在未来的IOT系统中，IOFT，云将被人群代替模型训练被带到边缘的人群，允许IOT设备协作提取知识并构建智能分析/型号，同时保持本地存储的个人数据。这种范式转变被IOT设备的计算能力巨大增加以及分散和隐私保留模型培训的最近进步，作为联合学习（FL）。本文为IOFT提供了愿景，并系统概述当前努力实现这一愿景。具体而言，我们首先介绍IOFT的定义特征，并讨论了三维内部的分散推断的流动方法，机会和挑战：（i）全局模型，最大化跨所有IOT设备的实用程序，（ii）个性化模型所有设备的借款强度都保留了自己的模型，（iii）一个迅速适应新设备或学习任务的元学习模型。通过描述Ioft通过域专家镜头重塑不同行业的愿景和挑战来结束。这些行业包括制造，运输，能源，医疗保健，质量和可靠性，商业和计算。
translated by 谷歌翻译