射血分数（EF）是心脏功能的关键指标，可以鉴定患有心脏失败等心脏功能障碍的患者。通过手动追踪左心室并估算其在某些帧上的体积，可以从被称为超声心动图（ECHO）的心脏超声视频估计。由于手动过程和视频质量的变化，这些估计表现出很高的观察者间变异性。这种不准确的来源和对快速评估的需求需要可靠且可解释的机器学习技术。在这项工作中，我们介绍了基于图神经网络（GNN）的模型Echognn，以从Echo视频中估算EF。我们的模型首先从一个或多个Echo Cine系列的框架中输入潜在的回声图。然后，它估计了该图的节点和边缘的权重，表明各个框架的重要性有助于EF估计。 GNN回归器使用此加权图来预测EF。我们在定性和定量上表明，学到的图形权重通过识别临界帧进行EF估计提供了解释性，可用于确定何时需要人类干预。在Echonet-Dynamic公共EF数据集上，ECHOGNN实现了与最新状态相当的EF预测性能，并提供了解释性，鉴于此任务中固有的高观察者可变异性至关重要。
translated by 谷歌翻译
动机：在超声引导活检过程中检测前列腺癌是具有挑战性的。癌症的高度异质外观，超声伪像的存在和噪声都导致了这些困难。高频超声成像的最新进展 - 微拆卸 - 在高分辨率下大大提高了组织成像的能力。我们的目的是研究专门针对微型启动引导的前列腺癌活检的强大深度学习模型的发展。对于临床采用的模型，一个关键的挑战是设计一种可以确定癌症的解决方案，同时从粗略的组织病理学测量中学习引入弱标签的活检样品。方法：我们使用了从194例接受了前列腺活检的患者中获得的微型图像的数据集。我们使用共同教学范式来训练一个深层模型，以处理标签中的噪声，以及一种证据深度学习方法进行不确定性估计。我们使用准确性与信心的临床相关指标评估了模型的性能。结果：我们的模型实现了对预测不确定性的良好估计，而面积为88 $ \％$。联合结合中的共同教学和证据深度学习的使用比单独单独的不确定性估计明显更好。在不确定性估计中，我们还提供了与最先进的比较。
translated by 谷歌翻译
基于标准的深度学习分类方法需要提前从所有课程中收集所有样本，并受到离线培训。在现实世界的临床应用中，这种范式可能不实用，在现实世界中，通过添加新数据来逐步引入新类。班级学习是一种允许从此类数据学习的策略。但是，一个主要的挑战是灾难性遗忘，即，在适应训练有素的模型中，在以前的课程中的性能退化。减轻此挑战的先前方法可以节省一部分培训数据，需要永久存储此类数据，这些数据可能引入隐私问题。在这里，我们提出了一个新颖的无数据类增量学习框架，该框架首先综合了从以前类中训练的模型中生成\我们的数据。随后，它通过将综合数据与新类数据相结合来更新模型。此外，我们结合了余弦归一化的横向渗透损失，以减轻不平衡的不利影响，增加以前类别和新类别的分离的边缘损失以及域内的对比损失，以概括对合成数据训练的模型真实数据。我们将我们提出的框架与类增量学习中的最先进方法进行了比较，在该方法中，我们证明了11,062个超声心动图Cine Cine系列患者的精度提高。
translated by 谷歌翻译