1. Геометрическое глубокое обучение выявляет пространственно-временной отпечаток микроскопического движения (arXiv)

Автор: Хесус Пинеда, Бенджамин Мидтведт, Харшит Бачиманчи, Серхио Ноэ, Даниэль Мидтведт, Джованни Вольпе, Карло Манцо

Аннотация: Характеристика динамических процессов в живых системах дает важные подсказки для их механистической интерпретации и связи с биологическими функциями. Благодаря недавним достижениям в методах микроскопии теперь можно регулярно регистрировать движение клеток, органелл и отдельных молекул в различных пространственно-временных масштабах в физиологических условиях. Однако автоматизированный анализ динамики, происходящей в переполненных и сложных средах, все еще отстает от получения последовательностей микроскопических изображений. Здесь мы представляем структуру, основанную на геометрическом глубоком обучении, которая обеспечивает точную оценку динамических свойств в различных биологически значимых сценариях. Этот подход к глубокому обучению основан на графовой нейронной сети, дополненной компонентами, основанными на внимании. Обрабатывая признаки объекта с помощью геометрических априорных значений, сеть способна выполнять несколько задач, от связывания координат с траекториями до определения локальных и глобальных динамических свойств. Мы демонстрируем гибкость и надежность этого подхода, применяя его к реальным и смоделированным данным, соответствующим широкому кругу биологических экспериментов.

2.Геометрическое глубокое обучение для выявления критических трехмерных структурных особенностей головки зрительного нерва для диагностики глаукомы (arXiv)

Автор: Фабиан А. Брау, Александр Х. Тьери, Тин А. Тун, Аисте Кадзиаускене, Джордж Барбастатис, Тин Аунг, Микаэль Ж. А. Жирар

Аннотация:Цель: головка зрительного нерва (ГЗН) претерпевает сложные и глубокие трехмерные морфологические изменения во время развития и прогрессирования глаукомы. Оптическая когерентная томография (ОКТ) в настоящее время является золотым стандартом для визуализации и количественной оценки этих изменений, однако полученная трехмерная информация о глубоких тканях еще не полностью использована для диагностики и прогнозирования глаукомы. С этой целью мы стремились: (1) сравнить эффективность двух относительно недавних методов геометрического глубокого обучения в диагностике глаукомы на основе одного ОКТ-сканирования ДЗН; и (2) определить трехмерные структурные особенности ДЗН, которые имеют решающее значение для диагностики глаукомы. Методы: в это исследование мы включили в общей сложности 2247 сканирований без глаукомы и 2259 сканирований с глаукомой от 1725 субъектов. У всех испытуемых были визуализированы ЗГН в 3D с помощью Spectralis OCT. Все ОКТ-сканы были автоматически сегментированы с использованием глубокого обучения для выявления основных нервных и соединительных тканей. Затем каждый ONH был представлен в виде трехмерного облака точек. Мы использовали PointNet и сверточную нейронную сеть с динамическим графом (DGCNN) для диагностики глаукомы по таким трехмерным облакам точек ДЗН и для определения критических трехмерных структурных особенностей ДЗН для диагностики глаукомы. Результаты. Как DGCNN (AUC: 0,97±0,01), так и PointNet (AUC: 0,95±0,02) смогли точно обнаружить глаукому по облакам точек 3D ONH. Критические точки образовали форму песочных часов, причем большинство из них располагалось в нижнем и верхнем квадранте ДЗН. Обсуждение. Диагностическая точность обоих подходов к геометрическому глубокому обучению была превосходной. Кроме того, мы смогли определить критические трехмерные структурные особенности ДЗН для диагностики глаукомы, что значительно улучшило прозрачность и интерпретируемость нашего метода. Следовательно, наш подход может иметь большой потенциал для использования в клинических приложениях для диагностики и прогнозирования широкого спектра офтальмологических заболеваний.

3. Геометрическое глубокое обучение раскрывает пространственно-временной отпечаток микроскопического движения (arXiv)

Автор: Хесус Пинеда, Бенджамин Мидтведт, Харшит Бачиманчи, Серхио Ноэ, Даниэль Мидтведт, Джованни Вольпе, Карло Манцо

Аннотация: Характеристика динамических процессов в живых системах дает важные подсказки для их механистической интерпретации и связи с биологическими функциями. Благодаря недавним достижениям в методах микроскопии теперь можно регулярно регистрировать движение клеток, органелл и отдельных молекул в различных пространственно-временных масштабах в физиологических условиях. Однако автоматизированный анализ динамики, происходящей в переполненных и сложных средах, все еще отстает от получения последовательностей микроскопических изображений. Здесь мы представляем структуру, основанную на геометрическом глубоком обучении, которая обеспечивает точную оценку динамических свойств в различных биологически значимых сценариях. Этот подход к глубокому обучению основан на графовой нейронной сети, дополненной компонентами, основанными на внимании. Обрабатывая признаки объекта с помощью геометрических априорных значений, сеть способна выполнять несколько задач, от связывания координат с траекториями до определения локальных и глобальных динамических свойств. Мы демонстрируем гибкость и надежность этого подхода, применяя его к реальным и смоделированным данным, соответствующим широкому кругу биологических экспериментов.

4. Масштабируемое геометрическое глубокое обучение на молекулярных графах (arXiv)

Автор: Натан С. Фрей, Сиддхарт Самси, Джозеф Макдональд, Лин Ли, Коннор В. Коли, Виджай Гадепалли.

Аннотация . Глубокое обучение в области молекулярных наук и материаловедения ограничено отсутствием интеграции между прикладной наукой, искусственным интеллектом и высокопроизводительными вычислениями. Узкие места, связанные с объемом обучающих данных, размером и сложностью архитектур моделей, а также масштабом вычислительной инфраструктуры, являются ключевыми факторами, ограничивающими масштабирование глубокого обучения для молекул и материалов. Здесь мы представляем LitMatter, легкую структуру для масштабирования методов молекулярного глубокого обучения. Мы обучаем четыре архитектуры графовых нейронных сетей на более чем 400 графических процессорах и исследуем поведение этих методов при масштабировании. В зависимости от архитектуры модели наблюдается ускорение времени обучения до 60 раз. Эмпирические отношения нейронного масштабирования количественно определяют масштабирование, зависящее от модели, и обеспечивают оптимальное распределение вычислительных ресурсов и идентификацию масштабируемых реализаций молекулярно-геометрической модели глубокого обучения.