跳到主要内容
检索

# 卷积神经网络

15 篇关联报道

订阅更新
  1. medRxiv

    局灶性肌张力障碍的基因线索不再只靠家系:DystoniaGeneNet先认出家族性影像特征,再指向三个新基因

    孤立性局灶性肌张力障碍只有不到五个已知致病基因,家系小、外显不全让连锁分析难以展开。研究团队用三维卷积网络DystoniaGeneNet从T1加权脑MRI判断家族性,在独立测试集中正确识别21例家族性病例中的18例(85.7%),并以该影像内表型指导214人的外显子变异筛选与共分离分析。据此在RAP1GAP、TNN和ITSN2中发现与疾病共分离的罕见变异,三者共同指向突触周围细胞外基质—突触信号通路。

  2. Nature Communications

    胶质母细胞瘤的侵袭不再只靠终点切片:活脑片上追踪数千细胞,标准治疗反而富集高迁移分支态

    胶质母细胞瘤细胞会在分支、弥散移位、爬行和血管周移位等侵袭形态之间切换,但此前难以在完整脑组织里长时间、大数量地观测这些切换。GlioTrace把全标本共聚焦成像、卷积神经网络形态分类和带协变量的隐马尔可夫模型接成一条流水线,在六例患者来源异种移植脑片上追踪数千个细胞。结果显示侵袭可塑性因患者而异、在空间上有组织,并受血管邻近和小胶质细胞接触调节;靶向药改变形态组成与转换概率,而放疗联合替莫唑胺富集了迁移最快、在转换网络中高度连通的分支态。

  3. bioRxiv

    同一段DNA里分清四种演化力量:多尺度单倍型图像让分类准确率到90.85%

    区分中性演化、选择性清除、平衡选择和适应性基因渗入,一直是群体基因组学的难点,因为这些过程留下的单倍型痕迹彼此重叠。SHADES把单倍型频率、频率分布差异和单倍型间序列差异画成三类图像,在11、21、51个SNP三种窗口尺度上分别训练卷积网络,再把三个尺度的特征拼接起来做四分类。在模拟测试集上,深度版本SHADES[M2]的总体分类准确率为90.85%,高于同一测试中SURFDAWave的67.83%、diploS/HIC的68.30%、TrIdent的65.20%、FAST-NN的63.20%和FASTER-NN的79.43%。

  4. 多针孔SPECT不再需要CT衰减图:一张网络同时拆重叠投影并校正衰减散射

    多针孔SPECT的灵敏度高,但投影重叠与衰减、散射、量子噪声、孔径效应叠加在一起,通常还要靠X射线CT导出的衰减系数图做校正。一种基于U-Net++的卷积神经网络以蒙特卡罗模拟的重叠投影为输入、以无重叠无衰减的理想投影为目标,同时完成投影分离与多因素校正,再用最大似然期望最大化重建。在60例公开脑图像数据上,准静态采集下该方法的NMSE为0.18±0.02、PSNR为18.42±0.69 dB、SSIM为0.81±0.04,优于11针孔重建与采集时间长20倍的扇束重建。

  5. researchsquare.com

    心电图模型怕的不是滤波,是相位:换一种因果滤波器,传导阻滞识别从0.91掉到0.62

    实时心电监护只能用因果滤波器,而这类滤波器的非线性相位会把心电波形不同频率成分错开。在三个独立临床数据库共36,583条12导联心电记录上,仅改变相位、保持频谱幅度不变,ResNet-18的宏AUROC在PTB-XL上下降0.1244,传导阻滞类识别从0.91以上跌到约0.62。一种训练时随机施加全通相位扰动的正则化方法,在各队列挽回了86.9%至90.9%的相位致性能损失,且不改变模型结构。

  6. 低剂量CT去噪不再需要配对干净图:相邻切片先对齐再监督,锥束CT也能在图像域做

    低剂量CT去噪现在只用相邻切片就能训练:先用匹配网络估计层间形变并校正去噪输出,在Mayo 2016上把PSNR做到40.08 dB,并首次在图像域完成低剂量锥束CT去噪。

  7. arXiv

    船舶轨迹预测换用Transformer:平均位移误差降到0.18公里,单次前向就给出预测区间

    船舶轨迹预测不再依赖循环网络或多次采样。此前基于AIS的模型要么只看本船历史、要么只靠他船聚类,概率区间还要多次前向近似。这里把本船历史位置与局部KDE热图一起送入Transformer,并用分位数损失训练,在丹麦水域三个测试区上平均位移误差约0.18公里,单次前向即输出预测区间。

  8. arXiv

    T0探测器兼任束流监视:32路SiPM信号直接回归二维位置,实验分辨约2.4毫米

    HIRFL-CSR外靶实验的T0探测器原本只提供事件起始时间,其32路SiPM读出的过阈时间与TOT信号被重排成保留几何顺序的张量,由卷积网络直接回归入射坐标。均匀平面模拟下x、y方向残差标准差约1.11毫米和1.04毫米;激光扫描几何下模拟约2.36毫米和1.34毫米,实验约2.42毫米和1.41毫米。训练后的模型用于兰州近代物理所CEE零场束流数据,重建出二维束斑分布。

  9. arXiv

    通信信号顺手当雷达:多站太赫兹回波认出物体形状,遮挡四分之三仍可分类

    多站太赫兹链路把普通通信信号被物体散射后的回波当作观测,在训练中从未见过的朝向下识别物体形状,发射机增多带来真实增益,遮挡四分之三表面时仍保持较高准确率。

  10. arXiv

    基态电子密度作为机器学习输入比分子几何更准确地预测分子吸收光谱

    该工作从QM7数据集中选取6874个分子,用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱,比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络(SchNet、DimeNet++、MACE)在预测归一化吸收光谱上的表现,发现密度CNN的验证相关系数达0.9926,优于最佳几何图模型的0.9795,并将残余去相关降低约三分之二。