The algorithm of synthetic aperture radar automatic target recognition (SAR-ATR) is generally composed of the extraction of a set of features that transform the raw input into a representation, followed by a trainable classifier. The feature extractor is often hand designed with domain knowledge and can significantly impact the classification accuracy. By automatically learning hierarchies of features from massive training data, deep convolutional networks (ConvNets) recently have obtained state-of-the-art results in many computer vision and speech recognition tasks. However, when ConvNets was directly applied to SAR-ATR, it yielded severe overfitting due to limited training images. To reduce the number of free parameters, we present a new all-convolutional networks (A-ConvNets), which only consists of sparsely connected layers, without fully connected layers being used. Experimental results on the Moving and Stationary Target Acquisition and Recognition (MSTAR) benchmark data set illustrate that A-ConvNets can achieve an average accuracy of 99% on classification of ten-class targets and is significantly superior to the traditional ConvNets on the classification of target configuration and version variants.

Following the great success of deep convolutional neural networks (CNNs) in computer vision, this paper proposes a complex-valued CNN (CV-CNN) specifically for synthetic aperture radar (SAR) image interpretation. It utilizes both amplitude and phase information of complex SAR imagery. All elements of CNN including input-output layer, convolution layer, activation function, and pooling layer are extended to the complex domain. Moreover, a complex backpropagation algorithm based on stochastic gradient descent is derived for CV-CNN training. The proposed CV-CNN is then tested on the typical polarimetric SAR image classification task which classifies each pixel into known terrain types via supervised training. Experiments with the benchmark data sets of Flevoland and Oberpfaffenhofen show that the classification error can be further reduced if employing CV-CNN instead of conventional real-valued CNN with the same degrees of freedom. The performance of CV-CNN is comparable to that of existing state-of-the-art methods in terms of overall classification accuracy.

Deep convolutional neural networks have achieved great success in computer vision and many other areas. They automatically extract translational-invariant spatial features and integrate with neural network-based classifier. This letter investigates the suitability and potential of deep convolutional neural network in supervised classification of polarimetric synthetic aperture radar (POLSAR) images. The multilooked POLSAR data in the format of coherency or covariance matrix is first converted into a normalized 6-D real feature vector. The six-channel real image is then fed into a four-layer convolutional neural network tailored for POLSAR classification. With two cascaded convolutional layers, the designed deep neural network can automatically learn hierarchical polarimetric spatial features from the data. Two experiments are presented using the AIRSAR data of San Francisco, CA, and Flevoland, The Netherlands. Classification result of the San Francisco case shows that slant built-up areas, which are conventionally mixed with vegetated area in polarimetric feature space, can now be successfully distinguished after taking into account spatial features. Quantitative analysis with respect to ground truth information available for the Flevoland test site shows that the proposed method achieves an accuracy of 92.46% in classifying the considered 15 classes. Such results are comparable with the state of the art.

Abstract Long-range sequencing grants insight into additional genetic information beyond that which can be accessed by both short reads and modern long-read technology. Several new sequencing technologies are available for long-range datasets such as “Hi-C” and “Linked Reads” with high-throughput and high-resolution genome analysis, and are rapidly advancing the field of genome assembly, genome scaffolding, and more comprehensive variant identification. In this article, we focused on five major long-range sequencing technologies: high-throughput chromosome conformation capture (Hi-C), 10x Genomics Linked Reads, haplotagging, transposase enzyme linked long-read sequencing (TELL-seq), and single tube long fragment read (stLFR). We detailed the mechanisms and data products of the five platforms, introduced several of the most important applications, evaluated the quality of sequencing data from different platforms, and discussed the currently available bioinformatics tools. We hope this work will benefit the selection of appropriate long-range technology for specific biological studies.

e23265 Background: BRAF mutations are frequently found in melanoma, non-small cell lung cancer (NSCLC), thyroid cancer, to a lesser degree in other tumor types. These mutations constantly activate the kinase domain and result in MAPK pathway hyperactivation. Successful inhibition of this pathway with BRAF/MEK inhibitors (BRAFi/MEKi) results in a clinically meaningful benefit for some patients. The RBAST study, to assess the efficacy and survival outcomes of BRAF inhibitor-based therapy were investigated in patients with solid tumors harboring BRAF mutations. Methods: Data was collected on a total of 697 cases of solid tumor throughout China between Sep 2018 and Dec 2023. Next Generation Sequencing (NGS) is based on the sequencing of tissue samples. Among the samples, the primary endpoints of this study were objective response rate (ORR), disease control rate (DCR), progress-free survival (PFS) and overall survival (OS). The impact of co-mutations with other genes and BRAF variant allele frequency on treatment efficacy was also assessed in this study. Results: BRAF mutations were detected in 36 cases and 15 patients received BRAFi based therapy were identified. For patients who received BRAFi therapy, the best ORR was 26.7% with 4 patients recorded partial response (PR). There were 2 patients with progressive disease giving a DCR of 86.7%. Responses were observed in 4 types of tumors. PR was observed in patients with colorectal cancer (CRC) and melanoma. Median PFS (mPFS) and median OS (mOS) of these patients were 6.0 months (95% CI: 2.3-7.0) and 17.1 months (95% CI: 4.4-NA), respectively. The co-occurring mutation rates of TP53, PTEN, FAT2 and NF1 were 40% (6/15), 20% (3/15), 20% (3/15) and 13.3% (2/15), respectively. No significant difference (p>0.05) in PFS and OS was observed in any co-occurrence of mutations. BRAF mutation variant allele frequency is not an independent prognostic factor for survival with patients received BRAF inhibitor treatment (p>0.05). Conclusions: To the best of our knowledge, this is the first retrospective study exploring BRAFi treatment effectiveness to BRAF mutated solid tumors for Chinese patients. Treatment with BRAF inhibitors is effective for BRAF mutated advanced solid tumors with DCR of 86.7%, mPFS of 6.0 months and mOS of 17.1 months. Co-mutations with other genes and BRAF variant allele frequency did not impact survival outcomes.