静止状态fMRI是一种成像方式，它通过信号变化揭示了大脑活动的定位，这就是所谓的静息状态网络（RSN）。该技术正在在神经外科预制范围内广受欢迎，以可视化功能区域并评估区域活动。 RS-FMRI网络的标签需要主题的专业知识并且耗时，因此需要自动分类算法。尽管AI在医学诊断中的影响表现出了很大的进步。在临床环境中部署和维护它们是未满足的需求。我们提出了一条端到端可重复的管道，该管道将RS-FMRI的图像处理结合在基于云的工作流程中，同时使用深度学习来自动化RSN的分类。我们已经构建了可重现的Azure机器学习基于云的医学成像概念管道，用于fMRI分析，集成了流行的FMRIB软件库（FSL）工具包。为了证明使用大型数据集的临床应用，我们比较了三个神经网络体系结构，以分类从处理后的RS-FMRI中得出的更深型RSN。这三种算法是：MLP，基于2D投影的CNN和一个完全3D CNN分类网络。每种网络都在RS-FMRI背面项目的独立组件上训练，每种分类方法的精度> 98％。
translated by 谷歌翻译
目前的工作旨在研究分层时间记忆（HTM）理论的性能，以便自动分类文本以及文档。HTM是一种基于人类新科的工作原理的生物启发理论。目前的研究打算在HTM理论中使用空间池学习算法提供文档分类的替代框架。由于HTM仅接受一个二进制数据流作为输入，所以潜在语义索引（LSI）技术用于从输入中提取顶部特征并将其转换为二进制格式。空间池算法将二进制输入转换为具有类似的输入文本的稀疏模式，其空间模式具有重叠的空间模式，使得将模式分类为类别。获得的结果证明了HTM理论虽然是其新生阶段，但与大多数基于流行的机器学习的分类器进行表现。
translated by 谷歌翻译