通过多任务学习接近耦合簇精度的分子电子结构

机器学习助力量子化学:逼近耦合簇精度的分子电子结构预测 学术背景 在物理学、化学和材料科学领域,计算方法是揭示各种物理现象背后机制和加速材料设计的关键工具。然而,量子化学计算(尤其是电子结构计算)通常是计算瓶颈,限制了计算速度和可扩展性。尽管近年来机器学习方法在加速分子动力学模拟和提高精度方面取得显著成功,但现有的机器学习模型大多基于密度泛函理论(DFT)数据库作为训练数据的“真实值”,其预测精度无法超越DFT本身。DFT作为一种平均场理论,其计算通常引入的系统误差比化学精度(1 kcal/mol)大几倍,这限制了基于DFT数据集训练的机器学习模型的整体精度。 相比之下,耦合簇方法(CCSD(T))被认为是量子化学的“金标准”,能够提供各种分子性质的高精度预测。然而,CCSD(T)的计算成本...

通过多任务遗传编程实现带目标偏好的多目标动态灵活车间调度

多目标动态灵活作业车间调度的突破性研究:一种通过多任务学习优化目标偏好遗传规划的创新方法 背景介绍 动态灵活作业车间调度(Dynamic Flexible Job Shop Scheduling, DFJSS)是一个重要的组合优化问题,在制造、仓储等领域的生产过程具有广泛的实际应用。例如,它被用于优化制造过程中的任务分配或仓库的订单拣选工作。该问题的核心是如何在动态环境中,为多个机器和多个作业执行灵活的任务分配和操作排序决策,从而最大化某些效率指标或最小化时间成本。然而,这个问题的复杂性极高,尤其是当任务动态到达或机器发生故障时,传统的优化方法往往面临计算复杂度和实时性不足等问题。 近年来,遗传规划(Genetic Programming, GP)作为一种超启发式方法,被广泛用于为动态灵活作...

通过多任务学习改进儿科低级别胶质瘤的分割

改进通过多任务学习对儿童低级别胶质瘤的分割 背景介绍 儿童脑肿瘤分割是肿瘤容积分析和人工智能算法中的关键任务。然而,这一过程耗时且需要神经放射学专家的专业知识。虽然已有大量研究集中于优化成人脑肿瘤分割,但关于人工智能引导的儿童肿瘤分割研究却凤毛麟角。此外,儿童和成人脑肿瘤的MRI信号特征不同,需要专门为儿童脑肿瘤设计分割算法。因此,本文提出将脑肿瘤的基因变化分类器作为辅助任务添加到主要网络中,通过多任务学习(Deep Multitask Learning, DMTL) 提高分割结果的准确性。 论文来源 这项研究由以下研究人员开展:Partoo Vafaeikia, Matthias W. Wagner, Cynthia Hawkins, Uri Tabori, Birgit B. Ertl-...

全自动多模态 MRI 基于多任务学习的胶质瘤分割和IDH 基因分型

全自动多模态 MRI 基于多任务学习的胶质瘤分割和IDH 基因分型

全自动多模态MRI多任务学习用于胶质瘤分割和IDH基因分型的研究报告 研究背景 胶质瘤是中枢神经系统中最常见的原发性脑肿瘤,根据世界卫生组织(WHO)2016年分类,胶质瘤分为低级别胶质瘤(LGG,级别II和III)和高级别胶质瘤(HGG,级别IV)。异柠檬酸脱氢酶(Isocitrate Dehydrogenase, IDH)突变状态是胶质瘤中最重要的预后标志之一。临床研究发现,含有IDH突变的低级别胶质瘤患者预后通常优于IDH野生型患者。传统的胶质瘤手工分割费时费力,而准确的IDH基因分型和精确的胶质瘤分割对于指导治疗和评估预后具有重要意义。由于多模态磁共振成像(Magnetic Resonance Imaging, MRI)的非侵入性和日常临床实践中的重要作用,它被认为是最有前途的候选技...

基于注意力引导的卷积神经网络框架用于3D MRI扫描的胶质瘤分割和分级

注意引导的CNN框架用于3D MRI扫描的胶质瘤分割和评级研究 胶质瘤是人类最致命的脑肿瘤形式,及时诊断这些肿瘤是有效肿瘤治疗的重要一步。磁共振成像(MRI)通常提供对脑部病变的无创检查。然而,手动检查MRI扫描中的肿瘤需要大量时间,并且容易出错。因此,自动诊断肿瘤在胶质瘤的临床管理和外科干预中起着至关重要的作用。在这项研究中,我们提出了一个基于卷积神经网络(CNN)的框架,用于从3D MRI扫描中无创分级肿瘤。 背景介绍 胶质瘤是常见且致命的脑肿瘤,根据其侵袭性和恶性程度可以分为四级。低级别肿瘤(I-III级)通常较不具侵袭性且对治疗反应较好。然而,高级别肿瘤(IV级)具有高度侵袭性,例如胶质母细胞瘤,其治疗效果较差,仅有5%的患者能存活5年。 为了使用医疗影像开展胶质瘤的研究,研究者通常...