XiaoMi-AI文件搜索系统
World File Search SystemCNN
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
基于迁移学习的深度 CNN 范式设计用于脑肿瘤分类 NEHA BHARDWAJ、MEENAKSHI SOOD、SS GILL
摘要：脑瘤是一种致命疾病，导致全球死亡。现有的用于检测脑瘤的神经影像学方法是侵入性的，并且存在观察者偏见。使用复杂人工智能技术的自动 CAD 框架减少了人为干预，可以有效处理大量数据。使用机器学习技术的自动 CAD 框架需要使用耗时且容易出错的手动特征提取程序。深度学习技术涉及自动特征提取；因此，可以快速获得可观的分类结果。然而，从头开始训练 DL 模型需要投入大量的时间、金钱和大量数据集，这在医学领域很难实现。因此，权衡是利用 VGG16、VGG19、AlexNet 等经过充分学习的模型来设计一种用于脑瘤分类的新框架。本文旨在通过迁移学习对预训练的 VGG16 架构进行微调，以开发基于 CNN 的深度学习框架，用于脑瘤检测。采用迁移学习技术的设计框架可以在更短的时间内以更少的数据获得更好的结果。使用迁移学习对脑 MRI 图像进行脑肿瘤二元分类，准确率达到 97%。训练和验证准确率分别为 100% 和 97%，共 30 个时期。分类损失低至 0.0059%，运行时间为 32ms/步，远低于现有模型。关键词：- 卷积神经网络、深度学习、计算机辅助诊断、分类、超参数调整、磁共振成像。
实施卷积神经网络（CNN ...
在印度尼西亚，自上次冠状病毒大流行以来，自主机器人的发展已经大量出现。A-UV消毒机器人的目的是在关键区域（例如医院）净化细菌和病原体。由于微小的生物可能难以控制，因此没有让人接触的预期是A-UV消毒机器人的其他目的之一。但是，自主机器人的系统开发是优先事项，机器人可以在到达指定位置时提供无碰撞障碍物和目标锁。在这项研究中，提出了两项主要贡献来开发自动驾驶机器人：1）卷积神经网络（CNN）算法，以了解从数据集中锁定区域周围的潜力，以确保操作过程中无碰撞。2）原始设计，以确保具有几乎全向紫外线的自主机器人的紧凑性。我们将“盒子”作为障碍物和“标志停止”设计为CNN数据集中的目标。培训和验证绩效的绩效已确认为97％和99％，损失为0.3％。机器人原型也在大小为2.1 x 3 m的工作区内开发和测试。机器人原型成功执行了所需的任务。
使用生成对抗网络
阿拉伯手写识别（AHR）由于阿拉伯文字的复杂性和培训数据的可用性有限，提出了独特的挑战。本文提出了一种在强大的CNN-BLSTM体系结构中集成生成对抗网络（GAN）以进行数据增强的方法，旨在显着提高AHR性能。我们采用了CNN-BLSTM网络，加上连接式时间分类（CTC）进行准确的序列建模和识别。为了解决数据限制，我们结合了基于gan的数据增强模块，该模块在IFN-En-Enit Arabic手写数据集中训练，以生成现实和多样化的合成样本，从而有效地增强了原始的培训语料库。对IFN-ENIT基准的广泛评估证明了采用方法的功效。我们达到95.23％的识别率，超过基线模型3.54％。本研究提出了一种有希望的AHR数据增强方法，并证明了单词识别准确性的显着提高，为更健壮和准确的AHR系统铺平了道路。
基于变压器和CNN的情绪分类，用于EEG时空特征学习
摘要：目标：脑电图（EEG）信号的时间和空间信息对于识别情绪分类模型中的特征至关重要，但它过分依赖于手动特征提取。变压器模型具有执行自动特征提取的能力；但是，在与情绪相关的脑电图信号的分类中尚未完全探索其潜力。为了应对这些挑战，本研究提出了一个基于脑电图和卷积神经网络（TCNN）的新型模型，用于EEG时空 - 静态（EEG ST）特征学习以自动情感分类的特征。方法：所提出的EEG ST-TCNN模型利用了编码（PE）的位置（PE），并注意EEG信号中感知的通道位置和定时信息。模型中的两个平行变压器编码器用于从与情绪相关的EEG信号中提取空间和时间特征，并且使用CNN来汇总脑电图的空间和时间特征，随后使用SoftMax对其进行分类。结果：拟议的EEG ST-TCNN模型在种子数据集上的准确度分别为96.67％，精度为95.73％，96.95％和96.34％的精度，唤醒，唤醒，唤醒和价尺寸的精度为96.34％。结论：结果证明了所提出的ST-TCNN模型的有效性，与最近的相关研究相比，情绪分类的表现出色。意义：拟议的EEG ST-TCNN模型有可能用于基于EEG的自动情绪识别。
使用基于 CNN 的深度神经网络从 MR 图像预测脑肿瘤图像
在当今时代，通过查看大量磁共振成像 (MRI) 图像来亲自发现脑肿瘤是一个既极其耗时又容易出错的过程。它可能会阻止患者接受适当的医疗治疗。同样，由于涉及大量图像数据集，完成这项工作可能需要大量时间。由于正常组织和构成脑肿瘤的细胞之间存在惊人的视觉相似性，因此分割肿瘤区域的过程可能是一项艰巨的任务。因此，拥有一个极其准确的自动肿瘤检测系统是绝对必要的。在本文中，我们使用卷积神经网络 (CNN)、经典分类器和深度学习 (DL) 实现了一个在 2D MRI 扫描中自动检测和分割脑肿瘤的系统。为了充分训练算法，我们收集了大量具有各种肿瘤大小、位置、形式和图像强度的 MRI 图片。这项研究已使用支持向量机 (SVM) 分类器和几种不同的激活方法（softmax、RMSProp、sigmoid）进行了双重检查。由于“Python”是一种快速高效的编程语言，我们使用“TensorFlow”和“Keras”来开发我们提出的解决方案。在我们的工作过程中，CNN 能够达到 99.83% 的准确率，这优于迄今为止取得的结果。我们基于 CNN 的模型将帮助医疗专业人员在 MRI 扫描中准确检测脑肿瘤，这将显著提高患者的治疗率。
使用混合 CNN 进行高效脑肿瘤分类...
摘要 — 脑磁共振成像 (MRI) 是神经成像中一种重要的诊断工具，可为各种神经系统疾病提供宝贵见解。准确分类脑 MRI 图像对于帮助医疗专业人员进行诊断和治疗计划至关重要。脑 MRI 图像的多类分类在临床实践中具有重要意义。准确分类有助于检测和描述各种脑部异常，包括肿瘤、出血和神经系统疾病。我们建议的策略可以通过自动化分类过程并改善患者护理和结果来帮助医生做出及时准确的诊断。本研究使用两个标准数据集 Brats 和 Sartaj，提出了一种利用卷积神经网络 (CNN)、VGG19 和卷积神经网络支持向量机 (CNN-SVM) 算法对脑 MRI 进行多类分类的全面方法。所提出的方法利用深度学习的功能进行特征提取，并利用支持向量机 (SVM) 的多功能性进行分类。首先，训练 CNN 模型从脑 MRI 图像中提取判别特征。采用广泛使用的预训练 CNN VGG19 架构作为特征提取器。通过利用 VGG19 的预训练权重，该模型可以有效地捕获输入图像的高级表示。结果证明了该方法在准确分类脑 MRI 图像方面的有效性。进一步的研究可以探索该方法在更大数据集中的应用，并研究其他用于特征提取的深度学习架构，从而为医学图像分析和诊断提供进一步的进步。关键词 — 脑肿瘤、磁共振成像 (MRL)、卷积神经网络-支持向量机 (CNN-SVM) 算法、卷积神经网络 (CNN)、VGG19 架构
使用优化的1D CNN的智能天气预测模型与Gru
影响人类生计的主要因素之一是天气事件。造成森林火灾，高空温度和全球变暖的高天气灾难，导致干旱。需要采取有效，准确的天气预报方法来针对气候灾难采取措施。因此，设计一种可以做出更好天气预测的方法很重要。这项工作提出了一个优化的深度学习模型，即1D卷积神经网络（CNN），其注意力门控复发单元（GRU）模型，可用于可靠的天气预测。也就是说，要捕获天气数据的局部特征，使用了1D CNN，并捕获天气数据的时间特征，使用了优化的GRU。注意机制用于改善性能，而GRU的超参数通过自适应野马算法（AWHA）进行了优化。这项工作考虑了具有14个参数的Jena气象数据库，并为不同的预测度量进行了比较分析。提出的天气预测模型达到了更好的均方误差（MSE）和均方根（RMSE）值。
使用 CNN-LSTM 方法和基于图像的 GLCM 特征对颅内出血 (CT) 图像进行分类
摘要。使用基于特征的混合方法，将基于变换的特征与基于图像的灰度共生矩阵特征相结合。在对脑出血 CT 图像进行分类时，基于特征的组合策略比基于图像特征和基于变换特征的技术表现更好。使用深度学习技术（尤其是长短期记忆 (LSTM)）的自然语言处理已成为情绪分析和文本分析等应用中的首选。这项工作提出了一个完全自动化的深度学习系统，用于对放射数据进行分类以诊断颅内出血 (ICH)。长短期记忆 (LSTM) 单元、逻辑函数和 1D 卷积神经网络 (CNN) 构成了建议的自动化深度学习架构。这些组件均使用 12,852 份头部计算机断层扫描 (CT) 放射学报告的大型数据集进行训练和评估。