XiaoMi-AI文件搜索系统
World File Search SystemCNN
CNN与视觉变压器的集合学习MRI图像上的脑病变分类
抽象的深度学习模型，例如卷积神经网络（CNN）和视觉变压器（VIT），在MRI图像上脑损伤的分类中已经实现了最先进的性能。但是，这种类型的图像的复杂性要求CNN使用具有更多参数的更深层体系结构，以有效地捕获其高维特征和微妙的变化。一方面，VIT提供了一种应对这一挑战的不同方法，但是它们需要更大的数据集和更多的计算成本。在另一侧，整体深度学习技术（例如装袋，堆叠和增强）可以通过组合多个CNN模型来帮助减轻这些限制。这项研究探讨了这些方法，并使用三种方法进行比较，以评估其准确性和效率：基于CNN的转移学习，基于VIT的转移学习和集成深度学习技术，例如基于XGBOOST，ADABOOST方法，袋装，堆叠和提高。在四个具有不同级别的复杂性和脑部病变类型水平的MRI图像数据集上进行的实验表明，与已经存在的方法相比，CNN与集合技术的组合为单个CNN和VITs提供了非常有竞争力的性能，并具有有趣的改进。
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
基于自适应迁移学习的多尺度融合 CNN 模型，用于 BCI 系统中的多类 MI 分类
。CC-BY 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 3 月 19 日发布。；https://doi.org/10.1101/2022.03.17.481909 doi：bioRxiv 预印本
可解释的 CNN 注意力网络 (C-...
在本文中，我们提出了三种可解释的深度学习架构，根据语言能力自动检测阿尔茨海默病患者。这些架构使用：（1）仅词性特征；（2）仅语言嵌入特征和（3）通过统一架构同时使用这两个特征类。我们使用自注意力机制和可解释的一维卷积神经网络 (CNN) 来生成两种类型的模型行为解释：类内解释和类间解释。类间解释捕获该类中每个不同特征的相对重要性，而类间解释捕获类之间的相对重要性。请注意，尽管我们在本文中考虑了两类特征，但由于该架构具有模块化，因此很容易扩展到更多类。大量的实验和与最近的几个模型的比较表明，我们的方法优于这些方法，准确率为 92.2%，F1 分数为 0。 952 在 DementiaBank 数据集上，同时能够生成解释。我们通过示例展示如何使用注意力值生成这些解释。
心脏病的混合CNN转化器模型...
摘要 - 这项研究提出了卷积神经网络（CNN）的混合模型和用于预测和诊断心脏病的变压器。基于CNN检测本地特征的强度以及变压器在感知全球关系方面的高能力，该模型能够从高维生的生活历史数据中成功检测心脏病的危险因素。实验结果表明，在精度，精度和回忆中，提出的模型胜过传统基准模型，例如支持向量机（SVM），卷积神经网络（CNN）和长短期记忆网络（LSTM）。这表明了其处理多维和非结构化数据的强大能力。为了验证模型的有效性，进行了某些部分的实验，实验的结果表明，同时使用CNN和变压器模块来增强模型很重要。本文还讨论了将来的研究中纳入其他特征和方法，以增强模型的性能并使其能够在不同条件下有效运行。本研究提出了使用机器学习预测心脏病的新颖见解和方法，尤其是在个性化医学和健康管理中。
基于序列 - 平行结构优化四级运动图像EEG分类
运动成像脑电图（MI-EEG）是最重要的脑部计算机界面（BCI）信号之一。至关重要的是分析MI-EEG来操纵外部BCI执行器。但是，传统方法通常分别进行EEG特征提取和分类，这可能会失去有效的特征信息。它的行为超出了我们对由空间凝胶引起的多级MI活动的满意度，无法消除个体差异的影响。为了解决这些问题，我们提出了一个卷积神经网络（CNN），其端到端序列 - 平行（SP）结构随后是转向学习。详细说明，我们使用串行模块在时频空间域中提取粗糙的特征，以及以不同尺度的精细特征学习的并行模块。同时，提出了一种冻结和重新训练的调整转移学习策略，以提高跨主体精度。将模型与其他三个典型网络进行比较时，结果表明，所提出的模型的平均测试准确性为72.13％，平均损失为0.47，其中一个受试者仅需0.7秒即可达到89.17％，作为最高一个。通过转移学习，我们将训练参数减少了53％。平均跨受试者分类精度提高了大约15％，并且个人最高精度达到76.98％。总而言之，SPCNN的完整性和可分离性确定我们不需要其他EEG信号特征分析，这有利于实现有效的在线BCI。它也可以摆脱对培训时间和主题数据的依赖，以便将来快速提高BCI。
原创研究论文：使用 CNN 改进分类模型以检测阿尔茨海默病
摘要：阿尔茨海默病 (AD) 通常被称为神经退行性疾病，是一种常见的痴呆症。这种脑部疾病没有永久的治愈方法，因此使用医学成像系统对此类疾病进行早期诊断非常重要。机器学习模型在 AD 的检测中起着至关重要的作用。由于大多数传统的机器学习模型难以检测到对疾病进行分类的基本特征，因此本研究使用了一种称为卷积神经网络 (CNN) 的先进深度学习框架来自动检测基本特征并对疾病进行分类。所提出的基于 CNN 的分类方法的构建组件包括卷积层、批量归一化过程、ReLU 和最大池化操作。这种基于 CNN 的分类方法的主要目的是通过分析脑部 MRI 来预测患者是否患有阿尔茨海默病。所实施的所提出的方法与经过训练、评估和测试过程的基于分类的系统相同。最后采用softmax层进行分类，并采用Adam优化技术降低loss，应用Adam可以实现更快的收敛，提出的改进CNN分类方法准确率达到97.8%。关键词：阿尔茨海默病检测，磁共振成像，卷积神经网络，深度学习
BrainGAN：使用 GAN 架构和 CNN 模型的脑 MRI 图像生成和分类框架
摘要：深度学习模型已在多个领域得到应用，但在医学成像等敏感领域仍需要进行调整。由于时间限制，医学领域需要使用该技术，因此准确度水平可确保可信度。出于隐私方面的考虑，医学领域的机器学习应用无法使用医疗数据。例如，由于缺乏脑部 MRI 图像，使用基于图像的分类很难对脑肿瘤进行分类。通过应用基于生成对抗网络 (GAN) 的增强技术，解决了这一挑战。深度卷积 GAN (DCGAN) 和 Vanilla GAN 是用于图像生成的 GAN 架构的两个示例。本文提出了一个使用 GAN 架构和深度学习模型生成和分类脑部 MRI 图像的框架，称为 BrainGAN。因此，本研究提出了一种自动检查生成的图像是否令人满意的方法。它使用三个模型：CNN、MobileNetV2 和 ResNet152V2。使用 Vanilla GAN 和 DCGAN 生成的图像训练深度迁移模型，然后在由真实脑部 MRI 图像组成的测试集上评估其性能。从实验结果来看，ResNet152V2 模型的表现优于其他两个模型。ResNet152V2 基于 DCGAN 架构生成的脑部 MRI 图像实现了 99.09% 的准确率、99.12% 的精确率、99.08% 的召回率、99.51% 的曲线下面积 (AUC) 和 0.196 的损失。
使用基于决策树的方法和CNN分类的强化学习有助于眼动电脑游戏
采用基于生物信号的输入的抽象人机接口很难转化为现实生活应用，部分原因是开发一般模型的困难来对代表用户行动的生理事件进行分类。在拟议的框架中，通过决策方法的管道来操作基于电视学（EOG）的游戏。这些包括使用卷积神经网络（CNN）的眼动物运动的分类模型，该模型以信号窗口创建的图像和公用事业决策网络（EUDN）的合奏为食，这使经常会冲突的事件的影响在实现更自然的控制级别的界面上，从而缓解了界面事件的影响。CNN和EUDN取代了EOG的正常使用的基于特征的眼事件检测方法。最后，一种基于强化的学习驱动方法同时更新了每个奖励结果的多个（状态，动作）对，干预以减轻错误的游戏命令的后果，并可以用作“共享控制”范围的一部分。结果显示，加强学习在改善参与者的游戏表现以及减少其一些主观工作量指标方面的积极影响。
确实“外部集中”视觉生物反馈促进...
摘要：糖尿病的激增构成了一个重要的全球健康挑战，尤其是在阿曼和中东。早期检测糖尿病对于主动干预和改善患者预后至关重要。这项研究利用机器学习的力量，特定的卷积神经网络（CNN），开发了一种创新的4D CNN模型，该模型用于早期糖尿病预测。来自阿曼的区域特定数据集可用于增强患有糖尿病风险的人的健康结果。所提出的模型展示了出色的准确性，在各个时期的平均准确度达到98.49％至99.17％。此外，它表现出出色的F1分数，回忆和灵敏度，突出了其识别真正阳性病例的能力。这些发现有助于与糖尿病打击并为未来的研究铺平道路，以使用深度学习进行早期疾病检测和积极的医疗保健。