XiaoMi-AI文件搜索系统
World File Search System脑瘤
UNet-VGG16 结合迁移学习实现基于 MRI 的脑肿瘤分割
脑瘤是一种致命疾病，在医学手术中需要高精度。脑瘤检测可以通过磁共振成像（MRI）进行。MRI 脑瘤图像分割旨在将肿瘤区域（作为感兴趣区域或 ROI）与健康大脑分开，并提供肿瘤的清晰边界。本研究使用具有新架构的全卷积网络 UNet-VGG16 对 ROI 和非 ROI 进行分类。该模型或架构是 U-Net 和 VGG16 的混合体，并通过迁移学习简化了 U-Net 架构。该方法在学习数据集中的准确率高达 96.1% 左右。验证是通过计算正确的分类率（CCR）并将分割结果与基本事实进行比较来完成的。CCR 值表明，该 UNet-VGG16 可以识别脑瘤区域，平均 CCR 值约为 95.69%。
研究论文 计算机辅助脑肿瘤诊断
脑瘤是一种致命的神经系统疾病，由脑或颅骨内细胞异常和不受控制的生长引起。患有这种疾病的患者的死亡率正在逐渐上升。手动分析磁共振图像 (MRI) 不足以有效准确地诊断脑瘤。早期诊断疾病可以及时治疗，从而提高患者的存活率。现代脑成像方法提高了脑瘤的检出率。在过去的几年里，已经进行了大量研究以利用计算机辅助诊断人类脑瘤，以实现 100% 的诊断准确率。本研究的重点是通过卷积神经网络 (CNN) 对脑瘤进行早期诊断，以提高最先进的诊断准确率。所提出的 CNN 是在包含脑瘤 MRI 的基准数据集 BR35H 上进行训练的。在六个不同的数据集（即 BMI-I、BTI、BMI-II、BTS、BMI-III 和 BD-BT）上评估了模型的性能和可持续性。为了提高模型的性能并使其对完全看不见的数据具有可持续性，我们采用了不同的几何数据增强技术以及统计标准化。所提出的基于 CNN 的脑肿瘤诊断 CAD 系统比其他系统表现更好，平均准确率约为 98.8%，特异性约为 0.99。它还对两个脑部 MRI 数据集（即 BTS 和 BD-BT）的诊断正确率为 100%。我们还将所提出的系统的性能与其他现有系统进行了比较，分析表明，所提出的系统优于所有系统。
多级脑肿瘤的混合深度学习算法
naresh.vurukonda@kluniversity.in 摘要 脑瘤是影响人的整体健康和脑功能的潜在致命疾病之一。早期脑瘤识别和分类准确性对于挽救生命至关重要。医学领域用于分类脑瘤的最流行方法之一是深度学习。然而，目前的深度学习方法在准确分类脑癌的各个阶段方面效果不佳。在本研究中，提出了使用深度卷积长短期记忆 (EL-DCLSTM) 的集成学习来准确分类多种等级的脑瘤。建议方法的第一步是获取和准备脑 MRI 数据。因此，增强型 U-Net 方法用于分割阶段，以便从先前处理的图像中提取感兴趣的区域。此外，Firefly 优化的 ResNet 架构用于特征提取，其中包括从分割图像中选择和提取最相关的特征进行分类器训练。在特征提取后，建议的 EL-DCLSTM 用于脑瘤分类。由于 DCLSTM 设计，该系统可以准确管理 MRI 数据的波动，该设计结合了卷积层和 LSTM 层的有效性，可以捕捉 MRI 图像中的空间和时间属性。然而，集成学习通过汇总在提取的特征集的特征子集上训练的各个 DCLSTM 模型的预测来生成最终的分类结果。根据实验结果，所建议的方法在 70% 和 80% 的训练率下获得了 0.98172 和 0.99138 的更好准确度。关键词：深度学习、脑肿瘤分类、萤火虫优化、特征提取、分割*通讯作者：naresh.vurukonda@kluniversity.in 收到日期：2024 年 9 月 30 日。接受日期：2024 年 10 月 16 日。DOI：https://doi.org/10.53555/AJBR.v27i3.2974 © 2024 作者。本文根据知识共享署名-非商业性使用 4.0 国际许可协议 (CC BY-NC 4.0) 发布，允许在任何媒体中进行非商业性的无限制使用、分发和复制，但必须提供以下声明。 “本文已发表于《非洲生物医学研究杂志》” 简介 如今，脑瘤是最危险的疾病之一，影响着全球数百万人。 [1]。异常脑细胞的聚合特性是脑瘤的主要原因。脑瘤通常经历两个阶段：原发性和继发性。 [2]。由于肿瘤在第一阶段较小，因此在生物学上被称为“良性”。然而，在第二阶段，肿瘤会变大并开始扩散到身体的其他部位。从生物学角度来看，这个阶段被称为“恶性”。“根据一项研究
使用机器学习技术预测脑肿瘤恶性程度 Seethalakshmi B. *
及早发现癌症对于挽救许多生命至关重要。如果脑瘤被诊断为较高级别，它通常是最常见和最严重的恶性肿瘤之一，预计寿命很短。肿瘤大小、形态和位置的差异对脑瘤的检测造成了重大障碍。本综述旨在为研究人员提供基于磁共振成像 (MRI) 的脑瘤检测的全面文献综述。使用九种机器学习算法对 MRI 图像进行分类：支持向量机 (SVM)、逻辑回归、K 最近邻 (KNN)、朴素贝叶斯 (NB)、决策树 (DT) 分类器、随机森林分类器、XGBoost 分类器、随机梯度下降 (SGD) 分类器和梯度提升分类器。对 ML 算法进行了比较和对比。
使用人工智能算法检测脑肿瘤
海得拉巴，特伦甘纳邦，印度 摘要：在人体中，最重要和最复杂的器官与大脑中的数十亿个细胞一起工作。大脑周围细胞的异常生长或不受控制的分裂会导致脑瘤。这组细胞会影响大脑的功能，也会破坏人体细胞。在过去，检测脑瘤比现在困难得多。现代计算机视觉技术的使用使检测更加准确和容易。在本文中，首先使用 K 最近邻 (KNN) 机器学习 (ML) 模型检测脑中的肿瘤，该模型将症状归类为脑瘤，然后使用磁共振图像 (MRI) 扫描进行进一步确认。KNN 模型的准确率为 97%，而本文使用的卷积神经网络 (CNN) 模型的准确率为 99%。索引术语 - K 最近邻、卷积神经网络、症状、脑瘤。
黛博拉·门罗·努南纪念研究基金奖...
青少年和处于过渡期的青年脑瘤幸存者面临着阻碍其参与社区、学校和工作生活的挑战。频繁住院、疾病、治疗副作用以及认知和行为后遗症可能导致社会孤立、抑郁以及在重要生活角色、人际关系和机会方面受到限制。关于促进青少年和处于过渡期的青年脑瘤幸存者参与社会活动的干预措施的证据有限。因此，该项目的总体目的是调整现有的基于应用程序的辅导干预措施，即社会参与和导航 (SPAN)，该干预措施最初是为患有创伤性脑损伤 (TBI) 的青少年设计的，以适应青少年和处于过渡期的青年脑瘤 (15-23 岁) 的需求。SPAN 有四个主要组成部分：1) 虚拟辅导（由大学生教练指导）；2) 初始教练培训和每周教练监督；3) 带有简短提示和主题的 SPAN 网站；4) 目标规划网络应用程序。对 13 名脑损伤青少年（TBI，n=9；脑瘤，n=4）进行了为期 10 周的 SPAN 实施试验，结果令人鼓舞，这些青少年在目标实现方面以及在选定的社会功能和参与措施方面均表现良好。该示范项目的具体目标是：1) 根据现有和其他利益相关者的反馈调整当前版本的 SPAN（n=6）；2) 在为期四周的试验中评估调整后的 SPAN 对青少年和过渡期青年脑瘤患者的初步可行性和可用性（n=5）；3) 在更大规模的 10 周实施试验中评估调整后的 SPAN 在促进社区、学校和工作环境中的社会参与方面的初步效果（n=10）。长期目标是确定调整后的 SPAN 是否有潜力广泛用于青少年和过渡期青年脑瘤幸存者以及其他有社交和执行功能障碍的人，并寻求额外资金来支持这项工作和更大规模的研究。
脑癌检测网络应用程序
摘要：脑瘤是脑中异常细胞的生长，也可能导致一种致命的疾病，即癌症。由于 MRI 图像对噪声和环境因素的敏感性，脑瘤的早期诊断非常困难。脑瘤的主要原因是脑细胞的进展受阻。许多卫生组织已经将脑瘤确定为世界上造成大量死亡的第二大争议性肿瘤。脑瘤可以识别多种症状，包括癫痫发作、情绪变化、行走和听力、视力、肌肉运动困难等。脑瘤可以识别多种症状，包括癫痫发作、情绪变化、行走和听力、视力和肌肉运动困难等。脑瘤分为神经胶质瘤、髓母细胞瘤、室管膜瘤、中枢神经系统淋巴瘤和少突胶质细胞瘤。在原发期，肿瘤可以切除，但在二期，肿瘤疾病会扩散，因此切除肿瘤后肿瘤很少残留并再次生长，所以这是肿瘤二期最大的问题。尽早发现脑肿瘤非常重要。正确的治疗计划和准确的诊断是提高预期寿命的首要任务。磁共振成像是检测脑肿瘤的最佳方法。由于脑肿瘤及其特性的复杂性，需要一种自动化的脑肿瘤检测系统来在最早阶段检测出肿瘤。由于检测肿瘤的复杂性，人工检查容易出错。我们采用基于深度学习的可分离卷积神经网络从 MRI 图像中检测肿瘤。本文在研究了大量相关研究论文后，回顾了几种成功的算法。大多数研究中的方法包括预处理脑图像、分割、提取特征、聚类和检测肿瘤。根据世界卫生组织和美国脑肿瘤协会的说法，最常见的分类系统使用 I 至 IV 级量表来对良性和恶性肿瘤类型进行分类。在这个量表上，良性肿瘤分为 I 级和 II 级胶质瘤，恶性肿瘤分为 III 级和 IV 级胶质瘤。I 级和 II 级胶质瘤也称为低级别肿瘤，其生长缓慢，而 III 级和 IV 级被称为高级别肿瘤类型，肿瘤生长迅速。如果低级别脑肿瘤得不到治疗，很可能发展成高级别脑肿瘤，即恶性脑肿瘤。II 级胶质瘤患者需要每 6 至 12 个月通过磁共振成像 (MRI) 或计算机断层扫描 (CT) 进行连续监测和观察。脑瘤可以影响任何年龄的任何人，其对身体的影响可能因人而异。关键词 - 脑肿瘤检测、MRI 图像、卷积神经网络 (CNN)、深度学习 (DL)、图像处理、算法。
目标可操作性审查旨在评估 CDK4/6 作为儿童实体瘤和脑瘤治疗靶点
a 荷兰乌得勒支 Princess Ma´xima 儿科肿瘤中心 b 德国柏林夏利特医学院儿科血液学和肿瘤学系 c 瑞士巴塞尔霍夫曼-罗氏公司 d 荷兰阿姆斯特丹大学医学中心肿瘤基因组学系 e 美国印第安纳州印第安纳波利斯礼来公司 f 德国海德堡霍普儿童癌症中心 (KiTZ)、德国癌症研究中心 (DKFZ)、德国癌症联盟 (DKTK) 和大学医院 g 美国纽约州纽约辉瑞公司辉瑞治疗创新中心 h 法国维尔瑞夫巴黎萨克雷大学古斯塔夫鲁西研究所 i 德国柏林健康研究所 j 德国癌症联盟 (DKTK)、柏林合作站点和德国癌症研究中心 (DKFZ) k 实验和临床研究中心（ECRC）德国柏林 MDC 和柏林 Charite´ 医院 l 荷兰乌得勒支大学药学系
国际机械工程杂志一种基于高效遗传 Boruta（GenBoruta）算法的脑特征选择
世界卫生组织表示，脑瘤是最严重的疾病之一，因为它影响着全世界大多数人，包括儿童。开发一种在早期阶段识别脑瘤的系统将有助于挽救许多人的生命。人们已经进行了大量探索来开发一种识别脑瘤的系统；然而，这个系统应该得到改进，提高其准确性。因此，特征选择方法有望改进该系统。机器学习 (ML) 中特征选择技术的主要目的是选择一组合适的特征。包装器方法用于过滤。这些方法分为四类：前向选择、后向消除、穷举特征选择和递归特征消除。近年来，脑瘤影响了越来越多的人。脑瘤影响大脑，有时会扩散到其他部位。此外，还有 55 个特征被集中关注，如图像粗糙度、一致性或能量，以及附近的同质性被移除，以显示方法之间的质量差异。目标是寻找使用特征选择技术构成大问题的特征的可能性，该问题使用 bruta 和遗传学来解决。基于随机森林的 Boruta 特征选择算法。在本文中，我们介绍了一种称为 GenBoruta 的混合特征选择技术。GenBoruta 是一种用于查找所有相关变量的混合特征选择算法。它迭代地消除可测量测试证明比随机探测不那么重要的特征。与前向选择、后向消除、Boruta 和遗传等现有技术相比，所提出的技术表现良好。
利用机器学习检测脑肿瘤的新方法
摘要简介：异常的脑细胞包括脑瘤，它会导致严重的器官功能障碍，甚至导致死亡。这些肿瘤的大小、纹理和位置各异。诊断脑瘤的过程非常耗时，需要放射科医生的专业知识。脑瘤分为神经胶质瘤、脑膜瘤、垂体瘤和非肿瘤。随着患者数量和数据量的增加，传统方法变得成本高昂且效率低下。方法：研究人员开发了检测和分类脑瘤并优先考虑准确性和效率的算法。深度学习 (DL) 技术越来越多地用于创建能够精确诊断或分割脑瘤的自动化系统，特别是用于脑癌分类。这种方法支持在医学成像中使用迁移学习模型。提出的模型是对 Xception 模型组件的修改，通过添加大量参数来提高 Xception 模型的效率。结果：将提出的 Xception 模型应用于 Masoud Nickparvar 脑肿瘤 MRI 数据集，准确率为 99.6%，灵敏度为 99.7%，特异性为 99.7%，F1 得分为 99.9%。讨论：提出的模型的效率参数确保它是一种诊断脑肿瘤的有效模型。与其他模型的比较分析表明，提出的框架对于及时检测各种脑肿瘤具有很高的可靠性。结论：结果证实了我们提出的模型的有效性，与以前的模型相比，该模型在肿瘤检测方面获得了更高的整体准确率。因此，提出的模型被认为是专家诊断脑肿瘤的宝贵决策工具。