Lung segmentation in chest X-rays (CXRs) is an important prerequisite for improving the specificity of diagnoses of cardiopulmonary diseases in a clinical decision support system. Current deep learning (DL) models for lung segmentation are trained and evaluated on CXR datasets in which the radiographic projections are captured predominantly from the adult population. However, the shape of the lungs is reported to be significantly different for pediatrics across the developmental stages from infancy to adulthood. This might result in age-related data domain shifts that would adversely impact lung segmentation performance when the models trained on the adult population are deployed for pediatric lung segmentation. In this work, our goal is to analyze the generalizability of deep adult lung segmentation models to the pediatric population and improve performance through a systematic combinatorial approach consisting of CXR modality-specific weight initializations, stacked generalization, and an ensemble of the stacked generalization models. Novel evaluation metrics consisting of Mean Lung Contour Distance and Average Hash Score are proposed in addition to the Multi-scale Structural Similarity Index Measure, Intersection of Union, and Dice metrics to evaluate segmentation performance. We observed a significant improvement (p < 0.05) in cross-domain generalization through our combinatorial approach. This study could serve as a paradigm to analyze the cross-domain generalizability of deep segmentation models for other medical imaging modalities and applications.

使用深度学习方法（DL）方法的结核病（TB）自动分割（TB） - 一致的病变（CXR）可以帮助减少放射科医生的努力，补充临床决策，并有可能改善患者治疗。文献中的大多数作品使用粗边界框注释讨论培训自动分割模型。但是，边界框注释的粒度可能导致在像素级别上包含相当一部分假阳性和负面因素，从而可能对整体语义分割性能产生不利影响。这项研究（i）评估了使用TB一致性病变的细粒注释和（ii）U-NET模型变体的培训和构造的好处CXR。我们使用多种集合方法（例如位和位或位，位 - 最大值和堆叠）评估了分割性能。我们观察到，与单个组成模型和其他集合方法相比，堆叠合奏表现出优异的分割性能（骰子得分：0.5743，95％置信区间：（0.4055,0.7431））。据我们所知，这是第一个应用合奏学习来改善细粒度元素一致性病变细分性能的研究。

胸部X射线（CXR）是一种广泛执行的放射学检查，有助于检测胸腔中组织和器官的异常。检测像Covid-19这样的肺异常可能变得困难，因为它们被像肋和锁骨一样的骨结构的存在模糊，从而导致筛选/诊断误解。自动骨抑制方法有助于抑制这些骨结构并提高软组织可见性。在本研究中，我们建议建立卷积神经网络模型的集合，以抑制正面CXR中的骨骼，提高分类性能，并减少与Covid-19检测相关的解释误差。该合奏由（i）构造（i）测量由前3个执行骨抑制模型和相应子的每个前3个预测的骨抑制图像的子块之间的多尺度结构相似性指数（MS-SSIM）得分 - 其各自的地面真相软组织图像，（ii）执行在每个子块中计算的MS-SSIM分数的大多数投票，以识别具有最大MS-SSIM分数的子块并在构造中使用它最终的骨抑制图像。我们经验确定了提供卓越的骨抑制性能的子块大小。据观察，骨抑制模型集合在MS-SSIM和其他度量方面表现出各个模型。在非骨抑制和骨抑制的图像上再培训和评估特异性特异性分类模型，以将它们分类为显示正常肺部或其他Covid-19类似的表现形式。我们观察到骨抑制的模型训练显着优于非骨抑制图像训练的模型朝着检测Covid-19表现形式。

医学图像通常表现出多种异常。预测它们需要多级分类器，其培训和期望的可靠性性能可能受到因素的组合而影响，例如数据集大小，数据源，分布以及用于训练深度神经网络的损耗功能。目前，跨熵损失仍然是培训深层学习分类器的脱磁场损失功能。然而，这种损失函数断言所有课程的平等学习，导致大多数类的偏见。在这项工作中，我们基准测试适用于多级分类，重点分析模型性能的各种最先进的损失功能，并提出改善的损失功能。我们选择一个小儿胸部X射线（CXR）数据集，其包括没有异常（正常）的图像，以及表现出与细菌和病毒性肺炎一致的表现形式的图像。我们分别构建预测级别和模型级集合，以提高分类性能。我们的结果表明，与个别模型和最先进的文献相比，前3名和前5个模型级集合的预测的加权平均在术语中提供了显着优越的分类性能（P <0.05） MCC（0.9068,95％置信区间（0.8839,0.9297））指标。最后，我们进行了本地化研究，以解释模型行为，以便可视化和确认个人模型和集合学习有意义的特征和突出显示的疾病表现。

Verifying the input-output relationships of a neural network so as to achieve some desired performance specification is a difficult, yet important, problem due to the growing ubiquity of neural nets in many engineering applications. We use ideas from probability theory in the frequency domain to provide probabilistic verification guarantees for ReLU neural networks. Specifically, we interpret a (deep) feedforward neural network as a discrete dynamical system over a finite horizon that shapes distributions of initial states, and use characteristic functions to propagate the distribution of the input data through the network. Using the inverse Fourier transform, we obtain the corresponding cumulative distribution function of the output set, which can be used to check if the network is performing as expected given any random point from the input set. The proposed approach does not require distributions to have well-defined moments or moment generating functions. We demonstrate our proposed approach on two examples, and compare its performance to related approaches.

在线模仿学习是如何最好地访问环境或准确的模拟器的问题的问题。先前的工作表明，在无限的样本制度中，匹配的确切力矩达到了与专家政策的价值等效性。但是，在有限的样本制度中，即使没有优化错误，经验差异也会导致性能差距，该差距以$ h^2 / n $的行为克隆缩放，在线时刻$ h / \ sqrt {n} $匹配，其中$ h $是地平线，$ n $是专家数据集的大小。我们介绍了重播估算的技术以减少这种经验差异：通过反复在随机模拟器中执行缓存的专家动作，我们计算了一个更平滑的专家访问分布估算以匹配的。在存在一般函数近似的情况下，我们证明了一个元定理，可以减少离线分类参数估计误差的方法差距（即学习专家策略）。在表格设置或使用线性函数近似中，我们的元定理表明，我们方法产生的性能差距达到了最佳$ \ widetilde {o} \ left（\ min（\ min（{h^h^{3/2}}}} / {n} ，{h} / {\ sqrt {n}} \ right）$依赖关系，在与先前的工作相比明显弱的假设下。我们在多个连续的控制任务上实施了多个方法的多次实例化，并发现我们能够显着提高策略绩效跨各种数据集尺寸。

了解机器人控制器的全球动态，例如识别吸引子及其吸引力区域（ROA），对于安全部署和综合更有效的混合控制器很重要。本文提出了一个拓扑框架，以有效且可解释的方式分析机器人控制器，甚至是数据驱动器的全球动态。它构建了代表基础系统的状态空间和非线性动力学的组合表示形式，该动力学总结在有向的无环图中，即Morse图。该方法仅通过在状态空间离散化上向局部传播短轨迹来探测本地的动力学，这需要是lipschitz的连续函数。对经典机器人基准的数值或数据驱动控制器进行了评估。将其与已建立的分析和最新的机器学习替代方法进行了比较，以估计此类控制器的ROA。证明它在准确性和效率方面表现优于它们。它还提供了更深入的见解，因为它描述了离散化解决方案的全局动态。这允许使用Morse图来识别如何合成控制器以形成改进的混合解决方案或如何识别机器人系统的物理限制。

本文旨在提高用于车辆系统的Kinodynamic规划师的路径质量和计算效率。它提出了一个学习框架，用于在具有动态的系统的基于采样的运动规划仪的扩展过程中识别有前途的控制。离线，学习过程训练，以返回最高质量控制，以便在没有来自其当前状态和局部目标状态之间的输入差异矢量的障碍物的情况下达到局部目标状态（即航点）。数据生成方案在目标色散上提供界限，并使用状态空间修剪以确保高质量控制。通过专注于系统的动态，该过程是数据高效并发生一次动态系统，使其可用于具有模块化扩展功能的不同环境。这项工作与a）将所提出的学习过程集成了一个）探索性扩展功能，该探索性扩展函数在可到达空间上生成有偏见的覆盖范围，B）为移动机器人提出了一种利用的扩展功能，其使用内侧轴信息生成航点。本文评估了第一和二阶差分驱动系统的学习过程和相应的规划仪。结果表明，拟议的学习和规划的整合可以产生比Kinodynamic规划更好的质量路径，随机控制在较少的迭代和计算时间。