摘要:近年来,在开发更准确、高效的医学和自然图像分割机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学成像领域有效和准确分割中的重要作用。我们特别关注几个关键的研究涉及到应用机器学习方法在生物医学图像分割。我们回顾了经典的机器学习算法,如马尔可夫随机场、k均值聚类、随机森林等。尽管与深度学习技术相比,这种经典的学习模型往往精度较低,但它们通常更具有样本效率,结构也更简单。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中获得的分割结果。我们强调每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些解决这些挑战的启发方法。

成为VIP会员查看完整内容
12+
0+

相关内容

随机森林 指的是利用多棵树对样本进行训练并预测的一种分类器。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

题目: Embracing Imperfect Datasets:A Review of Deep Learning Solutions for Medical Image Segmentation

摘要: 医学影像文献在基于卷积神经网络的高性能分割模型方面取得了显著进展。尽管新的性能很高,最近的高级分割模型仍然需要海量的、典型的,高质量的带有标签的数据集。然而,我们很少有一个完美的训练数据集,特别是在医学图像领域,因为获取数据和打标签都是昂贵的。近年来,大量的研究对不完全数据集的医学图像分割问题进行了研究,解决了两大数据集的局限性:一是训练有标签的数据太少,只有有限的标签数据可用;二是训练数据只有稀疏标签、噪声标签或图像级标签的软标签。在本文中,我们对上述解决方案进行了详细的回顾,总结了技术创新和经验结果。我们进一步比较涉及的方法的好处和要求,并提供我们推荐的解决方案。我们希望这篇综述文章能提高公众对处理不完善的医学图像分割数据集的技术的认识。

成为VIP会员查看完整内容
10+
0+

简介: 许多人工智能任务需要跨域决策。例如,许多NLP任务涉及跨多种语言的预测,其中不同语言可以被视为不同的领域;在人工智能辅助的生物医学研究中,药物副作用的预测通常与蛋白质和生物体相互作用的建模并行。为了支持机器学习模型来解决这类跨域任务,需要提取不同域中数据组件的特征和关系,并在统一的表示方案中捕获它们之间的关联。针对这一需求,表示学习的最新进展往往涉及到将不同域的未标记数据映射到共享嵌入空间。这样,就可以通过向量配置或变换来实现跨领域的知识转移。这种可转移的表示在涉及跨域决策的一系列人工智能应用中取得了成功。然而,这一领域的前沿研究面临着两大挑战。一是在学习资源很少的情况下,有效地从特定领域提取特征。另一种方法是在最少的监督下精确地对齐和传输知识,因为连接在不同域之间的对齐信息常常是不足的和有噪声的。在本教程中,我们将全面回顾可转移表示学习方法的最新发展,重点是针对文本、多关系和多媒体数据的方法。除了介绍域内嵌入学习方法外,我们还将讨论各种半监督、弱监督、多视图和自监督学习技术,以连接多个特定域的嵌入表示。我们还将比较域内嵌入学习和跨域对齐学习的改进和联合学习过程。此外,我们将讨论如何利用获得的可转移表示来解决低资源和无标签的学习任务。参与者将了解本主题的最新趋势和新挑战,获得现成模型的代表性工具和学习资源,以及相关模型和技术如何有利于现实世界的人工智能应用。

主讲人简介: Muhao Chen,博士后。他于2019年获得加州大学洛杉矶分校计算机科学博士学位。他的研究重点是结构化和非结构化数据的数据驱动机器学习方法,并将其应用扩展到自然语言理解、知识库构建、计算生物学和医学信息学。特别是,他感兴趣的是开发具有概括性且需要最少监督的知识感知学习系统。他的工作在主要会议和期刊上发表了30多篇文章。他的论文研究获得了加州大学洛杉矶分校的论文奖学金。个人主页:https://muhaochen.github.io/

成为VIP会员查看完整内容
23+
0+

题目: A Survey on Distributed Machine Learning

简介: 在过去十年中,对人工智能的需求已显着增长,并且这种增长得益于机器学习技术的进步以及利用硬件加速的能力,但是,为了提高预测质量并在复杂的应用程序中提供可行的机器学习解决方案,需要大量的训练数据。尽管小型机器学习模型可以使用一定数量的数据进行训练,但用于训练较大模型(例如神经网络)的输入与参数数量成指数增长。由于处理训练数据的需求已经超过了计算机器的计算能力的增长,因此急需在多个机器之间分配机器学习工作量,并将集中式的精力分配到分配的系统上。这些分布式系统提出了新的挑战,最重要的是训练过程的科学并行化和相关模型的创建。本文通过概述传统的(集中的)机器学习方法,探讨了分布式机器学习的挑战和机遇,从而对当前的最新技术进行了广泛的概述,并对现有的技术进行研究。

成为VIP会员查看完整内容
19+
0+

论文题目:

Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

论文摘要: 近年来,在开发更精确、更有效的医学图像和自然图像分割的机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学图像领域实现高效准确分割的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用相关的几个关键研究。我们回顾了经典的机器学习算法,如马尔可夫随机场、k-均值聚类、随机森林等,虽然这些经典的学习模型往往比深度学习技术更不精确,但它们往往更具样本效率,结构也更不复杂。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中取得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些启发式方法来解决这些挑战。

成为VIP会员查看完整内容
Machine Learning Techniques for Biomedical Image Segmentation An Overview of Technical Aspects and Introduction to State-of-Art Applications.pdf
11+
0+

论文题目: Meta-Learning to Cluster

摘要: 聚类是探索性数据分析中最基本、最广泛应用的技术之一。然而,聚类的基本方法并没有真正改变:专业人员手工挑选特定于任务的聚类损失,以优化并适合给定的数据,以揭示底层聚类结构。某些类型的损失——例如k-means或其非线性版本:kernelized k-means(基于质心的)和DBSCAN(基于密度的)——由于它们在一系列应用中具有良好的经验性能,因此很受欢迎。尽管使用这些标准损失的聚类输出常常不能揭示底层结构,而且执行者必须自定义设计它们自己的变体。在这项工作中,我们采用了一种本质上不同的聚类方法:我们不是根据特定的聚类损失来拟合数据集,而是训练一个学习如何聚类的递归模型。该模型使用数据集的示例(作为输入)和相应的聚类标识(作为输出)作为训练对。通过提供多种类型的训练数据集作为输入,我们的模型能够很好地泛化不可见的数据集(新的集群任务)。实验表明,与标准的基准聚类技术相比,在简单的综合生成数据集或现有的真实数据集上进行训练,可以获得更好的聚类性能。我们的元聚类模型即使对于通常的深度学习模型表现较差的小数据集也能很好地工作。

作者: Yibo Jiang, Nakul Verma

成为VIP会员查看完整内容
9+
0+

论文主题: Deep Semantic Segmentation of Natural and Medical Images: A Review

论文摘要: (医学)图像语义分割任务包括将图像的每个像素(或几个像素)分类为一个实例,其中每个实例(或类别)对应于一个类。此任务是场景理解概念的一部分,或更好地解释全局 图像的上下文。在医学图像分析领域,图像分割可用于图像引导干预、放射治疗或改进的放射诊断。在这篇综述中,我们将领先的基于深度学习的医学和非医学图像分割解决方案分为六大类:深度架构、基于数据合成、基于损失函数、序列模型、弱监督和多任务方法。此外,针对每一组,我们分析了这些组的每一个变体,并讨论了当前语义图像分割方法的局限性和未来的研究方向。

成为VIP会员查看完整内容
16+
0+

论文主题: Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State‐of‐Art Applications

论文摘要: 近年来,在开发更精确、更有效的医学图像和自然图像分割的机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学影像领域实现高效准确分割的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用相关的几个关键研究。我们回顾了经典的机器学习算法,如马尔可夫随机场、k-均值聚类、随机森林等。尽管与深度学习技术相比,此类经典学习模型往往不太准确,但它们往往更具样本效率,结构也不太复杂。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中取得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些启发式方法来解决这些挑战。

成为VIP会员查看完整内容
7+
0+

摘要:深度学习是近年来应用最广泛的心脏图像分割方法。在这篇文章中,我们回顾了超过100篇使用深度学习的心脏图像分割论文,这些论文涵盖了常见的成像方式,包括磁共振成像(MRI)、计算机断层扫描(CT)和超声(US)以及感兴趣的主要解剖结构(心室、心房和血管)。此外,公开可用的心脏图像数据集和代码库的摘要也包括在内,为鼓励重复性研究提供了基础。最后,我们讨论了当前基于深度学习的方法的挑战和局限性(缺乏标签、不同领域的模型可泛化性、可解释性),并提出了未来研究的潜在方向。

成为VIP会员查看完整内容
7+
0+

题目: Understanding Deep Learning Techniques for Image Segmentation

简介: 机器学习已被大量基于深度学习的方法所淹没。各种类型的深度神经网络(例如卷积神经网络,递归网络,对抗网络,自动编码器等)有效地解决了许多具有挑战性的计算机视觉任务,例如在不受限制的环境中对对象进行检测,定位,识别和分割。尽管有很多关于对象检测或识别领域的分析研究,但相对于图像分割技术,出现了许多新的深度学习技术。本文从分析的角度探讨了图像分割的各种深度学习技术。这项工作的主要目的是提供对图像分割领域做出重大贡献的主要技术的直观理解。从一些传统的图像分割方法开始,本文进一步描述了深度学习对图像分割域的影响。此后,大多数主要的分割算法已按照专用于其独特贡献的段落进行了逻辑分类。

成为VIP会员查看完整内容
Understanding Deep Learning Techniques for Image Segmentation.pdf
17+
0+
Top