- Ein-Klassen-SVM im latenten Raum des siamesischen neuronalen Netzwerks zur unbeaufsichtigten Anomalieerkennung bei MRT-Hyperintensitäten weißer Substanz im Gehirn (arXiv)
Autor: Nicolas Pinon, Robin Trombetta, Carole Lartizien
Zusammenfassung: Die Erkennung von Anomalien bleibt eine herausfordernde Aufgabe in der Neurobildgebung, wenn kaum oder gar keine Überwachung verfügbar ist und wenn Läsionen sehr klein oder mit subtilem Kontrast sein können. Patch-basiertes Repräsentationslernen hat bei der Anwendung auf industrielle oder medizinische Bildgebung leistungsstarke Darstellungskapazitäten gezeigt, und Methoden zur Erkennung von Ausreißern wurden erfolgreich auf diese Bilder angewendet. In dieser Arbeit schlagen wir eine Methode zur unbeaufsichtigten Anomalieerkennung (UAD) vor, die auf einem latenten Raum basiert, der von einem siamesischen Patch-basierten Auto-Encoder erstellt wurde, und führen die Ausreißererkennung mit einem One-Class-SVM-Trainingsparadigma durch, das auf die Aufgabe der Läsionserkennung in mehreren Bereichen zugeschnitten ist -Modalität Neuroimaging. Wir bewerten die Leistung dieses Modells anhand einer öffentlichen Datenbank, der White Matter Hyperintensities (WMH) Problem, und zeigen eine gleichwertige Leistung mit den beiden bislang leistungsstärksten Methoden auf dem neuesten Stand der Technik.
2.CovidExpert: Ein Triplet Siamese Neural Community-Framework zur Erkennung von COVID-19 (arXiv)
Autor: Tareque Rahman Ornob, Gourab Roy, Enamul Hassan
Zusammenfassung: Bei Patienten mit einer COVID-19-Infektion können Lungenentzündungssymptome sowie Atemprobleme auftreten, die die Lunge schädigen können. Anhand medizinischer Bilder kann eine Coronavirus-Erkrankung mithilfe verschiedener Methoden des maschinellen Lernens genau identifiziert und vorhergesagt werden. Die meisten veröffentlichten Methoden des maschinellen Lernens erfordern möglicherweise eine umfassende Anpassung der Hyperparameter und sind für kleine Datensätze ungeeignet. Durch die Nutzung der Daten in einem vergleichsweise kleinen Datensatz zielen Low-Shot-Lernalgorithmen darauf ab, den Bedarf an großen Datensätzen zu reduzieren. Dies hat uns dazu inspiriert, ein Lernmodell mit wenigen Schüssen zur Früherkennung von COVID-19 zu entwickeln, um die Nachwirkungen dieser gefährlichen Krankheit zu reduzieren. Die vorgeschlagene Architektur kombiniert Fow-Shot-Studying mit einem Ensemble vorab trainierter Faltungs-Neuronalnetze, um Merkmalsvektoren aus CT-Scanbildern für das Ähnlichkeitslernen zu extrahieren. Das vorgeschlagene Triplet Siamese Community als Lernmodell mit wenigen Aufnahmen klassifizierte CT-Scanbilder in normale, COVID-19- und ambulant erworbene Pneumonie. Das vorgeschlagene Modell erreichte eine Gesamtgenauigkeit von 98,719 %, eine Spezifität von 99,36 %, eine Sensitivität von 98,72 % und einen ROC-Rating von 99,9 % mit nur 200 CT-Scans professional Kategorie für Trainingsdaten
