kombinasi teks, gambar, seni grafik

kombinasi teks, gambar, seni grafik, animasi, suara dan video

Results (Arabic) 1:

مزيج من النصوص والصور والرسومات الفنية، والرسوم المتحركة والصوت والفيديو

Results (Arabic) 2:

提出了醫學圖像分類[2][3][4]以及分割任務[5][6]的許多深度學習方法。與以前現有的自動分析方法相比，一些研究也報告取得了相當有希望的結果。然而，只有少數研究根據人類專家的準確性來預測其方法。
拉傑普爾卡爾和漢農等人al. 提出了一個34層卷積網路，通過心電圖（ECG）資料檢測心律失常，心臟病專家水準精度[7]。另一項研究報導了電子微觀大腦圖像對3D神經元重建的超人準確性[8]。利曼-西夫裡特al. 最近報告了一種看似合理的自動心臟分割的真實解決方案[9]。朝著同一方向前進了一步，我們驗證了從高級放射學家那裡獲得的抗注釋的性能。據瞭解，這是第一個報告腦出血檢測深度學習解決方案的工作，該解決方案已針對該領域的人類專家進行了驗證。
以前已經利用幾種注意力機制來增加神經網路對顯著特徵的關注[10]。現有的注意機制可以分為硬關注和軟注意力的類別。硬注意方法通過對圖像進行採樣（11）將注意力從圖像的一部分轉移到另一部分。而，軟注意力方法利用概率注意力圖來關注某些要素，而不是其他[12]，例如，對應于特定任務[10]或不同比例物件[13]的要素。我們描述的注意方法與現有方法略有不同，因為它利用了以前以輪廓描述出血區形式提供的資訊的方式。
CNN架構與LSTM的結合已經被廣泛地探索為需要建模圖像中長期空間依賴性的任務，例如圖像字幕[14]和動作識別[15];或連續幀之間的時間依賴關係，例如視頻識別任務 [16]。最近，一些生物醫學成像研究已經探索了利用3D圖像中切片間依賴關係的這種架構[17][18]。我們的方法與後一種方法更相似，因為它將醫學圖像的 3D 方面作為序列進行模型。