1,721,024 research outputs found
Deep convolutional autoencoders for reconstructing magnetic resonance images of the healthy brain
No full textThe analysis of brain magnetic resonance imaging (MRI) is critical for a proper diagnosis and treatment of neurological diseases. Improvements in this eld can lead to better health quality. Numerous branches can be still enhanced due to the nature of MRI recompilation: disease detection and segmentation, data augmentation, improvement in data collection, or image enhancement are some of them. For several years, many approaches have been taken to address this. Machine Learning and Deep Learning emerge as very popular approaches to solve problems. Several kinds of data mining solutions (supervised, unsupervised, dimension reduction, generative models, etc) and algorithms can be applied to the problem-solving of MRI. Besides, new emerging deep learning architectures for other kinds of image processing tasks can be helpful. New types of convolution, autoencoders or generative adversarial networks are some of them. Therefore, the purpose of this work is to apply one of these new techniques to T1 weighted brain MRI (T1WMRI). We will develop a Deep Convolutional Autoencoder, which can be used to help with some problems in neuroimaging. The input of the Autoencoder will be control T1WMRI and will aim to return the same image, with the problem that, inside its architecture, the image travels through a lower-dimensional space, so the reconstruction of the original image becomes more difficult. Thus, the Autoencoder represents a normative model. This normative model will define a distribution (or normal range) for the neuroanatomical variability for the illness absence. Once trained with these control images, we will discuss the potential application of the autoencoder like noise reducer or disease detector.El análisis de las resonancias magnéticas cerebrales es fundamental para un diagnostico y tratamiento adecuados de las enfermedades neurológicas. Se pueden mejorar ámbitos del análisis debido a la naturaleza de la recopilación de resonancias: detección y segmentación de enfermedades, aumento de datos, mejora en la extracción o mejora de imágenes. El aprendizaje automático y el aprendizaje profundo surgen como nuevas alternativas populares para resolver estos problemas. Se pueden aplicar varios enfoques de minería de datos y algoritmos para la resolución de problemas relacionados con la neuroimagen (supervisados, no supervisados, reducción de dimensionalidad, modelos generativos, etc.). Además, las nuevas arquitecturas emergentes de aprendizaje profundo, desarrollados para otro tipo de tareas de imagen, pueden ser útiles. Algunas de ellas son nuevos tipos de convolución, autoencoders o redes generativas adversiales (GAN). Por lo tanto, el propósito de este trabajo es aplicar una de estas nuevas técnicas a resonancias cerebrales tipo T1. Desarrollaremos un Autoencoder convolucional profundo, que puede usarse para ayudar con algunos problemas de neuroimagen. La entrada del Autoencoder será el imágenes de control T1WMRI y tendría como objetivo devolver la misma imagen, con la problemática de que, dentro de su arquitectura, la imagen viaja por un espacio de menor dimensión, por lo que la reconstrucción de la imagen original se vuelve más difícil. El autoencoder representa un modelo normativo. Este modelo normativo defina una distribución (o rango normal) para la variabilidad neuroanatómica para la ausencia de enfermedad. Una vez entrenado con imágenes de control, discutiremos la aplicación potencial del Autoencoder como reductor de ruido o detector de enfermedades.L'anàlisi de les ressonàncies magnètiques cerebrals és fonamental per a un diagnostico i tractament adequats de les malalties neurològiques. Es poden millorar àmbits de l'anàlisi a causa de la naturalesa de la recopilació de ressonàncies: detecció i segmentació de malalties, augment de dades, millora en l'extracció o millora d'imatges. L'aprenentatge automàtic i l'aprenentatge profund sorgeixen com a noves alternatives populars per a resoldre aquests problemes. Es poden aplicar diversos enfocaments de mineria de dades i algorismes per a la resolució de problemes relacionats amb la neuroimagen (supervisats, no supervisats, reducció de dimensionalitat, models generatius, etc.). A més, les noves arquitectures emergents d'aprenentatge profund, desenvolupats per a una altra mena de tasques d'imatge, poden ser útils. Algunes d'elles són nous tipus de convolució, autoencoders o xarxes generatives adversiales (GAN). Per tant, el propòsit d'aquest treball és aplicar una d'aquestes noves tècniques a ressonàncies cerebrals tipus T1. Desenvoluparem un Autoencoder convolucional profund, que pot usar-se per a ajudar amb alguns problemes de neuroimagen. L'entrada del Autoencoder serà l'imatges de control T1WMRI i tindria com a objectiu retornar la mateixa imatge, amb la problemàtica que, dins de la seva arquitectura, la imatge viatja per un espai de menor dimensió, per la qual cosa la reconstrucció de la imatge original es torna més difícil. El autoencoder representa un model normatiu. Aquest model normatiu defineixi una distribució (o rang normal) per a la variabilitat neuroanatómica per a l'absència de malaltia. Una vegada entrenat amb imatges de control, discutirem l'aplicació potencial del Autoencoder com a reductor de soroll o detector de malalties
Study of brain magnetic resonance images reconstruction through convolutional autoencoders
No full textWe studied how a variety of 2D convolutional autoencoders of different sizes performed the task of reconstructing healthy brain magnetic resonance images. The images used were the subset of T1-weighted MRI available in the IXI dataset. Two smaller ResNet-like models were created and tested to see how the number of parameters in the model affected the reconstruction prowess of the autoencoders. The popular ResNet50 model was also tested under two con gurations:
no pre-trained weights and pre-trained weights trained on the ImageNet dataset, to see if the transfer learning process from an unrelated computer vision task helps improve the reconstruction results. All models were trained using mean square error and difference of structural similarity as loss function to explore if the later would assist the models in improving their performances as some publications have pointed out for a range of different computer vision
tasks. Both the peak signal-to-noise ratio and structural similarity tests showed that the use of difference of structural similarity as loss function did provide the best results in the test set for models using no pre-trained weights, globally the results of the ResNet-like models were effectively indistinguishable from the original images.Hem estudiat com diversos autoencoders convolucionals 2D de mides diferents duen a terme la tasca de reconstruir imatges de cervells obtingudes via ressonància magnètica. Les imatges
fetes servir provenen del subconjunt d'IRM T1-weighted del conjunt de dades IXI. Van ser creats i testats dos models de mida reduïda basats en ResNet per veure com el nombre de
paràmetres a un model afecta a la qualitat de les reconstruccions. El conegut model ResNet50 també va ser testat fent servir dues configuracions: sense pesos prèviament entrenats i fent servir pesos entrenats en el conjunt de dades ImageNet per a veure si el procés de transferència de l'aprenentatge des d'una tasca de visi o per computador sense relació amb l'actual podia ajudar a millorar la qualitat de les reconstruccions. Tots els models van ser entrenats fent
servir error quadràtic mig i diferència de semblances estructurals com a funcions de pèrdua per a explorar si aquesta ultima podia ajudar als models a millorar el seu rendiment com algunes publicacions han indicat per a tasques de visió per computador diferents. Les proves fent servir tant proporció màxima senyal-soroll com semblança estructural mostren com l'ús de la diferència de semblances estructurals com a funció de pèrdua proporciona els millors resultats en el conjunt
de prova pels models que no fan servir pesos prèviament entrenats, globalment els models de mida reduïda da basats en ResNet van aconseguir uns resultats pràcticament indistingibles de les imatges originals.Hemos estudiado como diversos autoencoders convolucionales 2D de tamaños diferentes llevan a cabo la tarea de reconstruir imágenes de cerebros obtenidas vía resonancia magnética. Las imágenes usadas provienen del subconjunto de IRM T1-weighted que es parte del conjunto de datos IXI. Creamos y probamos dos modelos de tamaño reducido basados en ResNet para ver si el número de parámetros en un modelo afectaba la calidad de las reconstrucciones. El conocido modelo ResNet50 también fue probado usando dos configuraciones: sin usar pesos previamente entrenados y usando pesos entrenados en el conjunto de datos ImageNet para comprobar si el proceso de transferencia del aprendizaje desde una tarea de visión por computador sin relación con la actual podría ayuda a mejorar la calidad de las reconstrucciones. Todos los modelos fueron entrenados usando error cuadrático medio y diferencia de similitudes estructurales como funciones de pérdida para explorar si esta última podría ayudar a los modelos a mejorar su rendimiento como algunas publicaciones han indicado para otras tareas de visión por computador. Les pruebas usando tanto la proporción máxima señal-ruido como similitud estructural muestran como el uso de la diferencia de similitudes estructurales como función de pérdida proporciona los mejores resultados en el conjunto de prueba para los modelos que no usan pesos previamente entrenados; globalmente los modelos de tamaño reducidos basados en ResNet obtuvieron unos resultados prácticamente indistinguibles de las imágenes originales
Designing an unsupervised learning architecture to reconstruct brain magnetic resonance images
No full textBrain magnetic resonance imaging (MRI) is a well-known medical imaging modality used by physicians to diagnose neurological disorders. A professional with great knowledge in the field can analyze the obtained 3D volume to detect abnormalities. The main goal of this project is to design and develop a neural network model capable of reconstructing brain MRIs by using an unsupervised approach. In essence, it has to give as result the healthy version of the brain used as input. Therefore, the model has to learn the intrinsic patterns from the healthy brains in order to transfer them to the output. For that reason, T1-weighted images from the IXI Dataset have been used to train our models only with pathology-free images. To ensure the model was learning the desired patterns, not only copying the input directly into the output, the data has been corrupted by applying different types of noise and by masking-out regions. Motivated by the autoencoders simplicity, and with the intention of generating the resulting images with better quality, some experiments have been conducted using different loss functions and trying with different types of skipped connections. The use of both residual blocks and shortcuts to skip long connections has been the combination that has led to the best results.La resonancia magnética cerebral (RM) es una modalidad de imaginología médica bien conocida utilizada por los médicos para diagnosticar trastornos neurológicos. Un profesional con gran conocimiento en la materia puede analizar el volumen 3D obtenido para detectar anomalías. El objetivo principal de este proyecto es diseñar y desarrollar un modelo de red neuronal capaz de reconstruir resonancias magnéticas cerebrales mediante un enfoque no supervisado. En esencia, tiene que dar como resultado la versión saludable del cerebro utilizada como entrada. Por lo tanto, el modelo tiene que aprender los patrones intrínsecos de los cerebros sanos para transferirlos a la salida. Por esa razón, las imágenes ponderadas en T1 del IXI Dataset se han utilizado para entrenar nuestros modelos solo con imágenes libres de patologías. Para asegurarse de que el modelo estaba aprendiendo los patrones deseados, no solo copiando la entrada directamente en la salida, los datos se corrompieron al aplicar diferentes tipos de ruido y enmascarar regiones. Motivados por la sencillez de los autocodificadores, y con la intención de generar las imágenes resultantes con mejor calidad, se han realizado algunos experimentos utilizando diferentes funciones de pérdida y probando con distintos tipos de conexiones saltadas. El uso de bloqueos residuales y atajos para omitir conexiones largas ha sido la combinación que ha dado lugar a los mejores resultados.La ressonància magnètica cerebral (RM) és una coneguda modalitat d'imatge mèdica que utilitzen els metges per diagnosticar trastorns neurològics. Un professional amb un gran coneixement en la matèria pot analitzar el volum 3D obtingut per detectar anomalies. L'objectiu principal d'aquest projecte és dissenyar i desenvolupar un model de xarxa neuronal capaç de reconstruir les ressonàncies magnètiques cerebrals mitjançant un enfocament no supervisat. En essència, ha de donar com a resultat la versió sana del cervell que s'utilitza com a entrada. Per tant, el model ha d'aprendre els patrons intrínsecs dels cervells sans per transferir-los a la sortida. Per aquest motiu, les imatges ponderades en T1 del conjunt de dades IXI s'han utilitzat per entrenar els nostres models només amb imatges lliures de patologia. Per garantir que el model aprenia els patrons desitjats, no només copiant l'entrada directament a la sortida, les dades s'han corromput aplicant diferents tipus de soroll i enmascarant les regions. Motivats per la senzillesa dels codificadors automàtics i amb la intenció de generar les imatges resultants amb una millor qualitat, s'han dut a terme alguns experiments utilitzant diferents funcions de pèrdua i provant amb diferents tipus de connexions saltades. L'ús de blocs residuals i dreceres per saltar connexions llargues ha estat la combinació que ha donat els millors resultats
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
- …
