XiaoMi-AI文件搜索系统
World File Search System图像分类
通过与网格搜索超级参数使用深CNN的脑肿瘤MR图像分类的多类分类框架
活检标本的摘要组织病理学分析仍用于诊断和对当今脑肿瘤进行分类。可用的程序是侵入性的，耗时的，并且倾向于人为错误。要克服这些缺点，需要实施完全自动化的深度学习模型，以将脑肿瘤分为多个类别。将肿瘤分为五个类别，例如正常肿瘤，神经胶质瘤肿瘤，脑膜瘤肿瘤，垂体肿瘤和转移性肿瘤等五个类别，其精度为92.98％。使用网格搜索优化方法，立即分配了建议的CNN框架的所有关键超级参数。Alex Net，Inception V3，Res Net -50，VGG -16和Google -Net都是最先进的CNN模型的示例，这些示例与建议的CNN模型进行了比较。使用庞大的公开临床数据集，产生了令人满意的分类结果。医师和放射科医生可以使用建议的CNN模型来确认其首次筛查脑肿瘤多分类。关键词：多分类，CNN模型，网格搜索技术，超级参数优化
脑肿瘤 MRI 医学图像分类与数据...
在医疗保健系统中，通过计算机算法无需人工直接输入即可得出结论的能力被称为医疗保健领域的人工智能 (AI)。深度学习 (DL) 方法已被用于或开发用于医疗保健目的，在医学图像分析方面，DL 范式开辟了无限机遇。本文介绍了如何基于 VGG16 的迁移学习创建 DL 模型，该模型可以正确地将 MRI 图像分类为 (肿瘤) 或 (非肿瘤)。此外，该模型采用数据增强来平衡数据集并增加图像数量。数据集来自脑肿瘤分类项目，其中包含公开的肿瘤和非肿瘤图像。结果表明，该模型在增强数据集下表现更好，其验证准确率达到 ~100%。
通过量子机学习的图像分类
摘要。量子计算，尤其是在短时间内学习的量子计算，通过世界各地的研究组引起了很多兴趣。这可以在一定程度上应用量子原理的模式分类的拟议模型数量越来越多。鄙视越来越多的模型，在实际数据集上测试这些模型，而不仅仅是在合成数据集上的空隙。这项工作的目的是使用量子分类器用二进制属性对模式进行分类。特别是，我们显示了应用于图像数据集的完整量子分类器的结果。实验在处理平衡的分类问题以及少数群体最相关的不平衡类时表现出了有利的输出。这在医疗领域是有希望的，通常重要的班级也是少数群体。
基于脑电图的深度运动图像分类的可概括和歧视性学习方法
卷积神经网络（CNN）已广泛应用于运动图像（MI）分类范围，从分类精度方面显着提高了最新的（SOA）性能。尽管彻底探索了创新的模型结构，但对目标函数的关注很少。在MI区域中的大多数可用CNN中，标准的横向损失通常作为目标函数执行，这仅确保深度特征可分离性。与当前目标函数的限制相对应，提出了一种新的损失函数，该损失函数与平滑的跨熵（标签平滑）和中心损失的组合被提议作为MI识别任务中模型的监督信号。特别是，通过预测标签和通过均匀分布的噪声正规化的一式硬硬标签之间的熵来计算平滑的横膜。中心损失将学习每个班级的深度特征中心，并最大程度地减少深度特征及其相应中心之间的距离。拟议的损失试图在两个学习目标中优化该模型，以防止过度确定预测并增加深度特征的判别能力（类间的可分离性和内部不变性），从而确保MI识别模型的有效性。我们对两个众所周知的基准（BCI竞争IV-2A和IV-2B）进行了广泛的实验，以评估我们的方法。结果表明，所提出的方法比两个数据集上的其他SOA模型都能达到更好的性能。提出的学习方案为MI分类任务中的CNN模型提供了更强大的优化，同时降低了过度拟合的风险，并增加了深入学习特征的歧视性。
![使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类](/simg/c/c82f9175d25c0bc6ff164861a883d62a00589155.webp)
使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类
在淀粉样蛋白脑扫描的深度学习分类中已经报道了高精度，这是阿尔茨海默氏病诊断的重要因素。但是，应该考虑过度拟合的可能性，因为该模型配备了样本数据。Therefore, we created and evaluated an [ 18 F]Florbetaben amyloid brain positron emission tomography (PET) scan classification model with a Dong-A University Hospital (DAUH) dataset based on a convolu- tional neural network (CNN), and performed external validation with the Alzheimer's Dis- ease Neuroimaging Initiative dataset.在DAUH和外部数据集上进行了空间归一化，计数归一化和头骨剥离预处理。但是，平滑仅在外部数据集上进行。使用了三种类型的模型，具体取决于它们的结构：Inception3d，resnet3d和vgg3d。在使用DAUH数据集的80％训练后，选择了适当的模型，其余的DAUH数据集用于模型评估。然后使用外部数据集验证了所选模型的概括潜力。Inception3d，Resnet3d和VGG3D的模型评估的准确性为95.4％，92.0％和97.7％，外部验证的准确性分别为76.7％，67.1％和85.3％。inception3d和resnet3d用外部数据集重新训练；然后，比较曲线下的面积，以确定二元分类性能的显着性水平小于0.05。进行微调后再次执行外部验证时，Inception3d的性能提高到15.3％P，RESNET3D的性能提高到16.9％P。在[18 F] Florbetaben淀粉样蛋白脑PET扫描使用CNN中，可以通过外部阀门观察到概括势。当模型分类性能与外部验证之间存在显着差异时，更改模型结构或微调模型可以帮助改善分类性能，并且还可以通过通过基于Web的开放平台进行协作来找到最佳模型。
一种新型运动图像分类的模型
摘要：运动图像分类对具有移动性障碍的人具有很大的意义，以及如何提取和利用运动图像脑图像（EEG）渠道的有效特征一直是注意力的焦点。有许多不同的方法用于运动临时分类，但是对人脑的有限理解需要更多有效的方法来提取脑电图数据的特征。图形神经网络（GNN）已证明其在分类图结构中的效果。 GNN的使用为大脑结构连接特征提取提供了新的可能性。在本文中，我们提出了一个新的图形神经网络，基于称为MutualGraphnet的原始EEG通道的相互信息。我们使用相互信息作为与空间时间图卷积网络（ST-GCN）相结合的ADJACENCY矩阵可以提取运动成像电脑图（EEG）的过渡规则，更有效地通道数据。实验是在运动图像脑电图数据集上进行的，我们将模型与当前的最新方法进行了比较，结果表明，互助网络足够强大，足以学习可解释的特征并优于当前最新方法。关键字：图形卷积，深度学习，脑电图（EEG），脑部计算机间（BCI）
在诱导电动机扰动期间改善运动图像分类
1纳瓦拉公立大学统计，计算机科学与数学系，帕姆普罗纳公立大学，西班牙2机器学习小组，计算机科学学院，柏林技术研究所，柏林柏林，德国3研究所3研究所，医学心理学和行为神经生物学研究所（IMP） (BRTA), Donostia-San Sebasti ´ an, Spain 5 BIFOLD Berlin Institute for the Foundations of Learning and Data, Berlin, Germany 6 Bernstein Center for Computational Neuroscience Berlin, Berlin, Germany 7 Department of Artificial Intelligence, Korea University, Seoul, Republic of Korea 8 Max Planck Institute for Informatics, Saarbrücken, Germany 9 Department of Neurology, Max Planck Institute对于人类认知和脑科学，德国莱比锡10认知与决策中心，认知神经科学研究所，国家研究大学高等教育学院，俄罗斯莫斯科，俄罗斯11作者都做出了同样的贡献。*作者应与之解决任何信件。
基于重复的运动图像分类 -大规模系统中神经网络和信号处理的研究文章应用和进化
低频率振荡是人脑活动的重要属性，低频频率（ALFF）的幅度是一种反映低频振荡特征的方法，该方法已广泛用于治疗脑部疾病和其他领域。然而，由于当前分析方法的低频率信号提取ALFF的准确性较低，我们提出了基于傅立叶的同步脉冲转换（FSST），该转换（FSST）经常用于信号处理范围中，以提取整个时间尺寸的低频功率谱的ALFF。将提取信号的低频特性与通过静止状态数据的FS StandS快速傅立叶变换（FFT）进行比较。很明显，FSST提取的信号具有更低的频率特征，这与FFT显着不同。
文章 Neuroscope：用于卷积神经网络语义分割和图像分类的可解释 AI 工具箱
摘要：对人工智能 (AI) 预测的信任是广泛接受新技术的关键点，尤其是在自动驾驶等敏感领域。因此，对用于深度学习图像的解释 AI 的工具的需求迫在眉睫。我们提出的工具箱 Neuroscope 通过提供用于图像分类的最先进的可视化算法和用于卷积神经网络 (CNN) 语义分割的新方法来满足这一需求。凭借其易于使用的图形用户界面 (GUI)，它可在 CNN 的所有层上提供可视化。由于其开放的模型视图控制器架构，使用 Keras 和 PyTorch 生成和训练的网络是可处理的，并且具有允许扩展到其他框架的接口。我们以交通场景分析为例展示了 Neuroscope 提供的解释能力。
二维和三维脑电信号的 CNN 图像分类研究
摘要。目的：本研究的创新之处在于探索了多种脑电波信号数据预处理的新方法，其中提取统计特征，然后根据降维算法选择它们的顺序将其格式化为视觉图像。然后，这些数据被处理为 2D 和 3D CNN 的视觉输入，然后进一步提取“特征的特征”。方法：从三个脑电图数据集得出的统计特征在视觉空间中呈现，并分别在 2D 和 3D 空间中处理为像素和体素。对三个数据集进行了基准测试，即来自四个 TP9、AF7、AF8 和 TP10 10-20 电极的心理注意力状态和情绪价以及来自 64 个电极的眼睛状态数据。通过三种选择方法选择了 729 个特征，以便从相同的数据集中形成 27x27 图像和 9x9x9 立方体。为 2D 和 3D 预处理表示而设计的 CNN 学习从数据中卷积有用的图形特征。主要结果：70/30 分割方法表明，在 2D 中，特征选择分类准确度最高的方法是注意力状态的单一规则和情绪状态的相对熵。在眼部状态数据集中，3D 空间最佳，由对称不确定性选择。最后，使用 10 倍交叉验证来训练最佳拓扑。最终最佳 10 倍结果是注意力状态（2D CNN）97.03%，情绪状态（3D CNN）98.4%，眼部状态（3D CNN）97.96%。意义：本研究提出的框架的结果表明，CNN 可以成功地从一组预先计算的原始 EEG 波的统计时间特征中卷积出有用的特征。 K 折验证算法的高性能表明，除了预先计算的特征之外，CNN 学习到的特征还包含对分类有用的知识。