SigFormer: Signature Transformers for Deep Hedging
KAIST(韩国科学技术院);Johns Hopkins University(约翰斯·霍普金斯大学);Texas A&M University-Commerce(德州农工大学康莫斯分校);VinAI Research(VinAI研究院);INEEJI
针对深度对冲中神经网络架构设计困难的问题,提出结合路径签名与Transformer的SigFormer模型,在合成数据和SP 500指数回测中展现了更快的学习速度、更强的鲁棒性及积极效果。
2023-10-20 cs.LG
A writer-independent approach for offline signature verification using deep convolutional neural networks features
Universidade Federal de Pernambuco(伯南布哥联邦大学)
使用深度卷积神经网络(CNN)提取的特征与作家相关(WD)SVM分类器相结合,与以前的最先进的方法相比,显著提高了手写签名验证(HSV)的性能。在这项工作中,它的研究是否使用这些CNN功能提供良好的结果,在一个独立的作家(WI)HSV的上下文中,基于二分法变换结合使用的SVM独立的分类器。在巴西和GPDS数据集上进行的实验表明,(i)所提出的方法优于文献中的其他WI-HSV方法,(ii)在全局阈值情况下,所提出的方法能够在巴西数据集中优于具有CNN特征的依赖于作者的方法,(iii)在用户阈值情况下,结果与具有CNN特征的依赖于作者的方法相似。
2018-07-26 cs.CV cs.LG stat.ML
Hypergraphs on high dimensional time series sets using signature transform
Laboratoire ERIC(ERIC实验室);Halias Technologies(Halias技术公司);Université Claude Bernard Lyon 1(克莱门特-伯纳德里昂1大学);Centre Léon Bérard(勒翁-贝拉德中心)
本文针对多元时间序列集合构建超图的问题,通过推广Chretien等人的方法并利用签名变换引入受控随机性以增强鲁棒性,在合成数据集上验证了方法的有效性。
2025-07-21 cs.LG stat.CO stat.ML
Path Imputation Strategies for Signature Models of Irregular Time Series
ETH Zurich(苏黎世联邦理工学院);SIB Swiss Institute of Bioinformatics(SIB瑞士生物信息学研究所)
签名变换是连续向量值路径空间上的“通用非线性”,并且在时间序列的机器学习中得到了关注。然而,真实世界的时态数据通常是在离散的时间点上观察到的,并且在可以应用签名技术之前必须首先被转换成连续的路径。我们通过将其描述为插补问题来明确这一步骤,并在将基于签名的神经网络应用于不规则时间序列数据时,实证评估各种插补策略的影响。对于这些策略之一,高斯过程(GP)适配器,我们提出了一个扩展~(GP-PoM),使不确定性信息直接提供给后续的分类器,同时防止昂贵的蒙特卡洛(MC)采样。在我们的实验中,我们发现填补的选择极大地影响了浅签名模型,而更深的架构更强大。接下来,我们观察到不确定性感知预测(基于GP-PoM或指标插补)对预测性能有益,即使与传统GP适配器的不确定性感知训练相比也是如此。总之,我们已经证明了路径构建对于签名模型确实是至关重要的,并且我们提出的策略通常会导致具有竞争力的性能,同时特别提高签名模型的鲁棒性。
2020-06-06 cs.LG stat.ML
Multiparametric Deep Learning Tissue Signatures for Muscular Dystrophy: Preliminary Results
The Johns Hopkins University School of Medicine(约翰斯·霍普金斯大学医学院);The Johns Hopkins University(约翰斯·霍普金斯大学);Kennedy Krieger Center(肯尼迪·克里格中心)
目前的临床挑战是识别大腿中的肢带型肌营养不良2I(LGMD 2I)组织变化,特别是分离脂肪、脂肪浸润的肌肉和肌肉组织。深度学习算法能够通过使用来自多参数磁共振成像(mpMRI)的固有组织对比度来学习不同的特征。为此,我们开发了一种基于mpMRI的新型多参数深度学习网络(MPDL)组织特征模型,并将其应用于LGMD2I。我们展示了一个新的肌营养不良症的组织签名模型与MPDL算法分割不同的组织类型,具有良好的效果。
2019-08-01 cs.LG eess.IV physics.med-ph
Learning Representations from Persian Handwriting for Offline Signature Verification, a Deep Transfer Learning Approach
University of Tehran(德黑兰大学)
离线签名验证(OSV)是一个具有挑战性的模式识别任务,特别是当它被期望很好地概括在培训期间不可用的熟练的foreground。它的挑战还包括小的训练样本和大的类内变化。考虑到这些局限性,我们提出了一种新的迁移学习方法从波斯语手写域到多语言OSV域。我们训练两个残差CNN的源域分别基于两个不同的任务,词分类和作者识别。由于识别一个人的签名类似于识别一个人的笔迹,因此在特征学习阶段使用笔迹似乎非常方便。在更多样和丰富的手写数据集上学习的表示可以补偿原始任务(即OSV)中训练数据的缺乏,而不牺牲泛化能力。我们提出的OSV系统包括两个步骤:学习表示和输入签名的验证。对于第一步,签名图像被馈送到训练的残差CNN中。然后使用输出表示训练SVM进行验证。我们在三个不同的签名数据集上测试了我们的OSV系统,包括MCYT(西班牙签名数据集),UTSig(波斯签名数据集)和GPDS-Synthetic(人工数据集)。在UT-SIG上,我们实现了9.80%的等出错率(EER),这表明比文献中的最佳EER 17.45%有了实质性的改善。我们提出的方法在GPDS-Synthetic上超过了最先进的6%,达到了6.81%。在MCYT上,获得了3.98%的EER,这与先前报道的最佳结果相当。
2019-02-28 cs.CV cs.LG stat.ML
Convolutional Signature for Sequential Data
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
签名是一个描述几何粗糙路径的无穷阶统计量序列,它包括有界变差的路径。这个对象已经成功地研究了机器学习,主要应用于低维情况。在高维的情况下,它遭受截断签名变换中的特征数量的指数增长。我们提出了一种新的神经网络为基础的模型,借用的思想,从卷积神经网络来解决这个问题。我们的模型以数据依赖的方式有效地减少了特征的数量。一些实证实验提供了支持我们的模型。
2022-01-14 cs.LG stat.ML
Transportation Marketplace Rate Forecast Using Signature Transform
University of California, Berkeley(加利福尼亚大学伯克利分校);Amazon.com Inc.(亚马逊公司)
针对货运市场运价难预测的问题,提出基于签名变换的新型统计技术与自适应预测模型,已在亚马逊落地,准确率较商用模型提升超五倍,年化预计节省5000万美元。
2024-12-08 cs.LG stat.AP
A Light weight and Hybrid Deep Learning Model based Online Signature Verification
IIIT SriCity(斯里城印度信息技术学院);University of Melbourne(墨尔本大学)
基于深度学习的模型在各种人工智能相关问题中的应用越来越广泛,这是由于现代架构的更深长度和大量解释数据集的可用性。基于这些架构的模型需要巨大的训练和存储成本,这使得它们在关键应用中使用效率低下,如在线签名验证(OSV)和部署在资源受限的设备中。作为解决方案,在这项工作中,我们的贡献是双重的。1)一种有效的降维技术,以减少要考虑的特征数量; 2)一种最先进的基于CNN-LSTM模型的混合架构,用于在线签名验证。在公开可用的数据集MCYT,SUSIG,SVC上进行的全面实验证实,即使只有一个训练样本,该模型也能达到更好的准确性。所提出的模型在所有三个数据集的各个类别中产生最先进的性能。
2019-07-09 cs.CV cs.LG
MoCap2Radar: A Spatiotemporal Transformer for Synthesizing Micro-Doppler Radar Signatures from Motion Capture
Computer Science & Engineering The Ohio State University(计算机科学与工程 俄亥俄州立大学)
本文提出MoCap2Radar时空Transformer模型,将MoCap到雷达频谱图转换建模为加窗序列到序列任务,可生成高真实度、泛化性好的微多普勒雷达特征,计算成本远低于物理方法,可用于扩充雷达数据集。
2025-11-14 cs.LG
LORD: Lower-Dimensional Embedding of Log-Signature in Neural Rough Differential Equations
Yonsei University(延世大学)
处理非常长的时间序列数据的问题(例如,长度超过10,000)是机器学习中的一个长期存在的研究问题。最近,一个突破,称为神经粗糙微分方程(NRDE),已被提出,并已表明它能够处理这样的数据。他们的主要概念是使用对数签名变换,这是已知的是更有效的不规则的长时间序列的傅立叶变换,转换成一个非常长的时间序列样本相对较短的一系列特征向量。然而,对数签名变换导致非平凡的空间开销。为此,我们提出了低维嵌入的日志签名(LORD)的方法,我们定义了一个基于NRDE的自动编码器植入更高的深度日志签名的知识到较低的深度日志签名。我们表明,编码器成功地结合了更高深度和更低深度的日志签名知识,这大大稳定了训练过程,提高了模型的准确性。在对基准数据集的实验中,我们的方法在各种分类和预测评价指标方面的改进率高达75%.
2022-04-19 cs.LG
Deep Learning with Topological Signatures
University of Salzburg(萨尔茨堡大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校)
从数据中推断拓扑和几何信息可以为机器学习问题提供另一种视角。来自拓扑数据分析的方法,例如,持续同源性使我们能够获得这样的信息,通常以拓扑特征的概括表示的形式。然而,这种拓扑签名通常具有不寻常的结构(例如,多组间隔),这对于大多数机器学习技术来说是非常不切实际的。虽然已经提出了许多策略来将这些拓扑签名映射到机器学习兼容的表示中,但是它们对于目标学习任务是不可知的。相比之下,我们提出了一种技术,使我们能够将拓扑签名输入到深度神经网络,并在训练过程中学习任务最佳表示。我们的方法是实现作为一个新的输入层具有良好的理论性能。2D对象形状和社会网络图的分类实验证明了该方法的多功能性,在后者的情况下,我们甚至比最先进的大幅度。
2018-02-16 cs.CV cs.LG math.AT
SigScatNet: A Siamese + Scattering based Deep Learning Approach for Signature Forgery Detection and Similarity Assessment
Sardar Patel Institute of Technology(萨达尔·帕特尔技术学院)
提出SigScatNet,结合孪生网络与散射小波,用于签名伪造检测和相似性评估,在ICDAR和CEDAR数据集上实现极低等错误率,兼具高精度与计算效率。
2023-11-09 cs.CV cs.LG eess.SP
Deep Signature Algorithm for Multi-dimensional Path-Dependent Options
University of Michigan(密歇根大学);Florida State University(佛罗里达州立大学);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出深度签名算法,将带反射的状态依赖FBSDE后向格式推广到路径依赖情形,用于欧式和美式路径依赖期权定价,并给出收敛性分析及数值验证。
2024-01-15 cs.LG q-fin.CP q-fin.MF
HASHTAG: Hash Signatures for Online Detection of Fault-Injection Attacks on Deep Neural Networks
UC San Diego(加州大学圣地亚哥分校)
我们提出了HASHTAG,这是第一个能够高精度检测深度神经网络(DNN)故障注入攻击的框架,具有可证明的检测性能界限。故障注入攻击的最新文献显示,位翻转导致DNN精度严重下降。在这种情况下,攻击者在DNN执行期间通过篡改程序的DRAM存储器来更改一些权重位。为了检测运行时位翻转,HASHTAG在部署之前从良性DNN中提取唯一签名。该签名稍后用于验证DNN的完整性,并在运行中验证推理输出。我们提出了一种新的灵敏度分析方案,可以准确识别最容易受到故障注入攻击的DNN层。然后,通过使用低冲突哈希函数对脆弱层中的底层权重进行编码来构建DNN签名。当部署DNN时,在推理期间从目标层提取新的哈希,并与地面真实签名进行比较。HASHTAG采用了一种轻量级的方法,可确保在嵌入式平台上进行低开销和实时的故障检测。对各种DNN进行的最先进的位翻转攻击的广泛评估证明了HASHTAG在攻击检测和执行开销方面的竞争优势。
2021-11-02 cs.AI cs.CR cs.LG
SecureSpectra: Safeguarding Digital Identity from Deep Fake Threats via Intelligent Signatures
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Bogazici University(博加齐奇大学)
SecureSpectra通过嵌入正交不可逆签名并利用DF模型无法复制高频内容的特性,结合差分隐私保护,在多个数据集上实现检测准确率最高提升71%。
2024-07-01 cs.CR cs.LG cs.SD
Local regression on path spaces with signature metrics
Weierstrass Institute (WIAS)(魏泽拉斯研究所);University of Vienna(维也纳大学)
本文针对路径值数据提出融合 signature transform 与局部核回归的函数型 Nadaraya–Watson 方法,给出有限样本界与稳健变体,并在 SDE 学习和时序分类中验证其精度与计算优势。
2025-10-19 cs.LG math.PR stat.ME
From Path Signatures to Sequential Modeling: Incremental Signature Contributions for Offline RL
TUM School of CIT Technical University of Munich Munich, Germany(慕尼黑技术大学计算机信息学院)
本文提出ISC方法,通过分解路径签名以显式表示时间演化,结合Transformer架构实现离线强化学习,提升对时间敏感控制任务的处理能力。
2026-02-12 cs.LG
DLTPy: Deep Learning Type Inference of Python Function Signatures using Natural Language Context
Delft University of Technology(代尔夫特理工大学)
由于机器学习的兴起,Python是一种越来越流行的程序设计语言。Python是动态类型的。动态类型已经证明在项目增长时有缺点,同时它提高了开发人员的生产力。为了获得静态类型的好处,并结合开发人员的高生产力,需要推断类型。在本文中,我们提出了DLTPy:一种深度学习类型推断解决方案,用于基于函数的自然语言上下文(标识符名称,注释和返回表达式)预测函数签名中的类型。我们发现DLTPy是有效的,并且具有91.6%的前3名F1评分。这意味着在大多数情况下,正确的类型是在前3个预测之内。我们的结论是,自然语言中包含的评论和返回表达式是有益的预测类型更准确。DLTPy并没有明显优于或低于之前的NL2Type的JavaScript,但确实表明类似的预测是可能的Python。
2019-12-02 cs.LG cs.SE
Pedestrian Recognition with Radar Data-Enhanced Deep Learning Approach Based on Micro-Doppler Signatures
University of Electronic Science and Technology of China (UESTC)(电子科技大学)
针对雷达微多普勒行人识别训练数据不足的问题,提出含RDGAN数据增强模块与MCNN+RBFNN多特征学习模块的DEMCL模型,准确率较现有研究提升3.33%-10.24%,运行速度快。
2023-06-14 cs.CV cs.LG eess.SP
Keras Sig: Efficient Path Signature Computation on GPU in Keras 3
DRM Université Paris Dauphine(巴黎多芬大学 DRM 机构);CREST-IP(CREST-IP 机构)
本研究提出基于Keras 3的高性能路径签名计算库Keras Sig,通过重构计算利用GPU并行性,实现训练时间减少55%、签名计算速度提升5-10倍,降低兼容性问题且在多硬件下性能优异。
2025-01-14 cs.DC cs.LG
Motion Classification using Kinematically Sifted ACGAN-Synthesized Radar Micro-Doppler Signatures
Siemens Corporate Technology(西门子企业技术部);Center for Advanced Communications, Villanova University(维拉诺瓦大学高级通信中心);University of Alabama(阿拉巴马大学)
深度神经网络(DNN)最近在需要对雷达回波进行分类的应用中受到了广泛关注,包括用于安全、智能家居、辅助生活和生物医学的基于雷达的人类活动识别。然而,由于雷达数据收集所需的高人力成本和资源,获取足够大的训练数据集仍然是一项艰巨的任务。在本文中,提出了一种扩展的对抗学习方法,用于生成适应不同环境的合成雷达微多普勒特征。使用视觉解释,分析运动学一致性,数据多样性,潜在空间的维度和显着性图的合成数据进行评估。一个基于主成分分析(PCA)的运动筛选算法,以确保合成签名是一致的物理上可能的人体运动。合成数据集用于训练19层深度卷积神经网络(DCNN),以对从与提供给对抗网络的数据集的环境不同的环境中获取的微多普勒特征进行分类。在包含多个方位角(0 °,30度,和45 °以及60 °),由于运动学筛选的结果,具有9%的改进。
2020-01-19 cs.LG eess.SP stat.ML
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);University of Alberta(阿尔伯塔大学);Purdue University Fort Wayne(普渡大学韦恩堡分校)
相似性分析是大多数功能磁共振成像研究的关键步骤之一。表征相似性分析(RSA)可以测量由不同认知状态产生的神经信号的相似性。本文开发了深度表征相似性学习(DRSL),这是RSA的深度扩展,适用于分析具有大量受试者的fMRI数据集中各种认知任务之间的相似性,以及高维性-例如全脑图像。与以前的方法不同,DRSL不受线性变换或受限固定非线性核函数(如高斯核)的限制。DRSL利用多层神经网络将神经响应映射到线性空间,该网络可以分别为每个受试者实现定制的非线性变换。此外,在DRSL中使用基于梯度的优化可以显着减少大型数据集上的分析运行时间,因为它在每次迭代中使用一批样本,而不是所有神经响应来找到最佳解决方案。多主题的fMRI数据集与各种任务的实证研究-包括视觉刺激,决策,风味,和工作记忆-证实,所提出的方法实现了优越的性能比其他国家的最先进的RSA算法。
2020-09-28 cs.AI cs.LG eess.IV
DeepHuMS: Deep Human Motion Signature for 3D Skeletal Sequences
International Institute of Information Technology, Hyderabad (IIIT-H)(海得拉巴国际信息技术学院(IIIT-H))
三维人体运动索引和检索是一个有趣的问题,由于一些数据驱动的应用程序的兴起,旨在分析和/或重新利用三维人体骨骼数据,如数据驱动的动画,运动生物力学分析,人体监视等。相同运动的不同速度等使其具有挑战性,并且现有技术的几种方法使用手工特征以及基于优化或基于直方图的比较,以便执行检索。此外,他们只在非常小的数据集和少数几个类上证明了这一点。我们提出了一个案例,使用一个学习的表示,应该认识到的议案,以及执行歧视性的排名。为此,我们提出了一个使用深度网络学习的3D人体运动描述符。我们学习的嵌入是可推广的,适用于现实世界的数据-解决上述挑战,并进一步使子运动搜索在其嵌入空间使用另一个网络。我们的模型利用了使用轨迹线索的类间相似性,并且在自监督设置中表现得更好。所有这些方面的最新结果都显示在两个大规模3D人体运动数据集上- NTU RGB+D和HDM 05。
2019-12-08 cs.CV cs.LG eess.IV
Navigating the Deep: End-to-End Extraction on Deep Neural Networks
Shanghai Jiao Tong University, China(上海交通大学);Nanyang Technological University, Singapore(南洋理工大学);IRIF, Université Paris Cité, France(IRIF,巴黎cité大学,法国);Institut universitaire de France (IUF), Paris, France(法国国家科学院(IUF),巴黎,法国)
本文提出了一种端到端的神经网络模型提取方法,通过改进签名提取和符号提取过程,实现了多项式时间复杂度的深度网络提取。
2026-02-18 cs.CR cs.LG
Deep Generative Models for Detector Signature Simulation: A Taxonomic Review
ORIGINS Data Science Lab(ORIGINS数据科学实验室);Technical University Munich(慕尼黑工业大学);Institute for High-Energy Physics (HEPHY)(高能物理研究所);Austrian Academy of Sciences (OeAW)(奥地利科学院)
本文针对粒子物理探测器特征模拟的计算瓶颈问题,从方法与应用角度对深度生成模型相关研究进行分类综述,梳理问题定义、方法类别并指明未来方向。
2024-07-12 cs.LG hep-ex hep-ph
Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models
Department of Mathematics and Statistics Faculty of Science, Masaryk University(数学与统计学系,科学学院,马萨里克大学);Center for Urban Science + Progress New York University(城市科学与进步中心,纽约大学)
本文提出利用人口普查通勤记录构建城市出行网络,并结合图神经网络与普通神经网络直接建模城市社会经济指标,在12个美国主要城市中验证其优于传统机器学习模型,为城市建模和政策规划引入网络效应视角。
2025-07-05 cs.LG
AUDRON: A Deep Learning Framework with Fused Acoustic Signatures for Drone Type Recognition
AmygdalaAI-India Lab(AmygdalaAI-India实验室)
AUDRON通过融合多种声学特征和深度学习技术,实现高准确率的无人机声学识别,适用于安全监控等场景。
2025-12-30 cs.AI cs.LG cs.SD
Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data
Columbia University(哥伦比亚大学);Taub Institute(陶布研究所);Sergievsky Center(谢尔吉耶夫斯基中心);Mortimer B. Zuckerman Mind Brain Behavior Institute(莫蒂默·B·扎克曼心智大脑行为研究所)
目前的神经影像学技术为研究活体脑的结构和功能提供了途径,并在了解阿尔茨海默病(AD)方面取得了很大进展。然而,以前用于调查和了解疾病的组水平分析不适用于个体诊断。最近,深度学习可以有效地分析3D大脑图像中的大规模复杂模式,通过提供准确和自动化的疾病分类,为计算机辅助个体诊断铺平了道路。利用根据越来越多的可用结构MRI数据开发的深度学习模型,在AD分类方面取得了巨大进展。缺乏规模匹配的功能性神经影像学数据阻止了这些模型通过观察病理生理学中的功能变化来进一步改进。在这里,我们提出了一个潜在的解决方案,首先学习脑MRI中的结构到功能的转换,并进一步从大规模的结构扫描合成空间匹配的功能图像。我们通过建立计算模型来评估我们的方法,以区分AD患者和健康的正常受试者,并在将结构和合成的功能性脑图像结合到同一模型中后表现出性能提升。此外,我们的区域分析确定颞叶是最具预测性的结构区域,顶枕叶是我们模型中最具预测性的功能区域,这两者都与以前的组水平神经影像学结果一致。总之,我们展示了深度学习与大规模结构和合成功能MRI的潜力,以影响AD分类和识别AD的神经成像特征。
2021-05-28 cs.CV cs.LG q-bio.QM
EPSILON: Adaptive Fault Mitigation in Approximate Deep Neural Network using Statistical Signatures
University of Missouri-Columbia(密苏里大学哥伦比亚分校)
EPSILON通过统计签名和层重要性指标实现AxDNNs的高效故障检测与缓解,提升推理效率和能效,保持模型精度。
2025-04-24 cs.AI cs.DC cs.LG
Integral Signatures of Activation Functions: A 9-Dimensional Taxonomy and Stability Theory for Deep Learning
Bellini College of AI, Cybersecurity and Computing(人工智能、网络安全与计算学院);University of South Florida(佛罗里达州立大学);College of Computing and Informatics(计算与信息学院);Drexel University(德雷塞尔大学);Departments of Physics(物理系)
提出基于九维积分签名的激活函数分类框架,建立稳定性理论,区分八种常见激活函数,提供可证明的设计指导。
2025-10-09 cs.AI cs.LG
Deep learning at the shallow end: Malware classification for non-domain experts
University College Dublin(都柏林大学学院)
当前的恶意软件检测和分类方法通常依赖于耗时且知识密集的过程来从恶意软件中提取模式(签名)和行为,然后将其用于识别。此外,这些签名通常限于数据内的局部连续序列,而忽略它们彼此相关的上下文以及整个恶意软件文件的上下文。我们提出了一种基于深度学习的恶意软件分类方法,该方法不需要专业领域知识,并且基于用于复杂模式和特征识别的纯数据驱动方法。
2018-07-22 cs.AI cs.CR cs.LG
Genotype-Guided Radiomics Signatures for Recurrence Prediction of Non-Small-Cell Lung Cancer
Ritsumeikan University(立命馆大学);Zhejiang University(浙江大学);Zhejiang Lab(之江实验室)
非小细胞肺癌(Non-small cell lung cancer,NSCLC)是一种严重的疾病,手术后复发率高。最近,已经提出了许多机器学习方法用于递归预测。使用基因数据的方法具有较高的预测精度,但需要较高的成本。虽然仅使用CT图像的放射组学签名不昂贵,但其准确性相对较低。在本文中,我们提出了一种基因型引导放射组学方法(GGR),以获得高的预测精度,低成本。我们使用了NSCLC的公共放射基因组学数据集,其中包括CT图像和基因数据。所提出的方法是一个两步的方法,它包括两个模型。第一个模型是基因估计模型,用于从计算机断层扫描(CT)图像中提取的放射组学特征和深度特征估计基因表达。第二个模型用于使用估计的基因表达数据来预测复发。本文提出的GGR方法是基于混合特征设计的,它是基于手工操作和基于深度学习的结合。实验结果表明,GGR算法的预测准确率从78.61%(现有放射组学方法)和79.14%(深度学习方法)提高到83.28%,具有显著的统计学意义。
2021-04-29 cs.CV cs.LG
The signature of robot action success in EEG signals of a human observer: Decoding and visualization using deep convolutional neural networks
Albert-Ludwigs-University Freiburg(弗莱堡阿尔伯特-路德维希大学);University Medical Center Freiburg(弗莱堡大学医学中心)
机器人辅助设备在我们的工作和日常生活中的重要性越来越大。涉及机器人和人类的合作场景需要安全的人机交互。这里的一个重要方面是机器人错误的管理,包括快速准确的在线机器人错误检测和纠正。分析来自与机器人交互的人类的大脑信号可能有助于识别机器人错误,但这种分析的准确性仍有很大的改进空间。在本文中,我们评估是否一种新的框架的基础上,深度卷积神经网络(深度ConvNets)可以提高解码机器人错误的准确性从EEG的人类观察者,无论是在一个对象的抓取和倾倒任务。我们发现,深度ConvNets达到了比正则化线性判别分析(rLDA)和滤波器组共同空间模式(FB-CSP)与rLDA相结合的更高的准确率,这两种方法都被广泛使用。深度ConvNets在错误与正确试验的解码中达到了75% +/-9%,rLDA 65% +/- 10%和FB-CSP + rLDA 63% +/- 6%的平均准确率。通过ConvNets学习的时域EEG特征的可视化来解码错误,揭示了反映两种实验范式之间差异的时空模式。在所有受试者中,ConvNet解码准确度与rLDA获得的准确度显著相关,但与CSP无关,这表明在目前的情况下,ConvNet表现得更像“rLDA”(但始终更好),而在之前的解码研究中,另一项任务但相同的ConvNet架构,它被发现表现得更像“CSP”。因此,我们的研究结果为以下假设提供了进一步的支持:深度ConvNet…
2017-11-16 cs.HC cs.LG cs.RO
Prediction of 5-year Progression-Free Survival in Advanced Nasopharyngeal Carcinoma with Pretreatment PET/CT using Multi-Modality Deep Learning-based Radiomics
Fudan University Shanghai Cancer Center(复旦大学附属肿瘤医院);Shanghai Medical College, Fudan University(复旦大学上海医学院);Fudan University(复旦大学);Shanghai Engineering Research Center of Molecular Imaging Probes(上海分子影像探针工程技术研究中心);Key Laboratory of Nuclear Physics and Ion-beam Application (MOE), Fudan University(复旦大学核物理与离子束应用教育部重点实验室);the University of Sydney(悉尼大学);Shanghai Proton and Heavy Ion Center(上海市质子重离子医院)
目的:基于深度学习的放射组学(DLR)在医学图像分析方面取得了巨大成功,并被认为是依赖手工特征的传统放射组学的替代品。在这项研究中,我们的目的是探讨DLR预测5年无进展生存期(PFS)的能力,在鼻咽癌(NPC)使用治疗前PET/CT。方法:共257例(170/87在内部/外部队列)晚期鼻咽癌(TNM分期III或IVa)的患者入选。我们开发了一个端到端的多模态DLR模型,其中优化了3D卷积神经网络,以从预处理PET/CT图像中提取深度特征,并预测5年PFS的概率。TNM分期作为一个高水平的临床特征,可以整合到我们的DLR模型中,以进一步提高预后性能。为了比较常规放射组学和DLR,提取了1456个手工特征,并从6种特征选择方法和9种分类方法的54种交叉组合中选择了最佳常规放射组学方法。此外,使用临床特征、常规放射组学特征和DLR特征进行风险组分层。结果:我们使用PET和CT的多模态DLR模型比最佳常规放射组学方法实现了更高的预后性能。此外,多模态DLR模型优于仅使用PET或仅使用CT的单模态DLR模型。对于风险组分层,常规放射组学特征和DLR特征使得内部和外部队列中的高风险和低风险患者组之间存在显著差异,而临床特征在外部队列中失败。结论:我们的研究确定了晚期鼻咽癌生存预测的潜在预后工具,表明DLR可以为目前的TNM分期提供补充价值。
2022-07-04 cs.CV cs.LG eess.IV