XiaoMi-AI文件搜索系统
World File Search SystemCNN
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
基于深CNN方法的MR脑图像中的有效肿瘤检测：i-Yolov5
摘要随着计算机技术的出现，人工智能（AI）有助于放射科医生诊断脑肿瘤（BT）。可以在医疗保健中提高疾病的早期发现导致进一步的治疗，其中典型的AI系统应用在时间和节省的方面发挥了至关重要的作用。磁共振（MR）图像通过图像增强技术增强，以改善对比度和颜色的效果。此外，对于BT的几种类型的MR成像问题，传统方法是无偿的。深度学习技术可以扩展，以帮助克服常规肿瘤检测中遇到的常见问题。因此，在这项工作中，已经提出了基于MR图像的BT检测的即兴Yolov5技术。最终，使用混合网格搜索优化器算法（HGSOA）应用高参数优化（HPO）的想法，以增强拟议深神经网络中超级参数的肿瘤检测性能。为了评估提出的模型的有效性，麦卡洛克的算法rithm用于定位肿瘤区域分割的图像，并且还使用真实注释的图像检查了分割结果。使用MW脑测试图像进行了各种实验，以测量提出的微调模型的准确性。最后，将分类指标与现有的最新技术进行比较，包括MSE，PSNR，SSIM，FSIM和CPU时间，以证明所提出的模型的有效性。在MRI-BT的分类学中，CNN实现了更大的精确性。
研究论文：基于 CNN 的医学影像多类脑肿瘤检测
脑肿瘤是成人和儿童中常见的第十大致死原因。根据纹理、区域和形状，存在各种类型的肿瘤，每种肿瘤的存活率都很低。错误的分类会导致更糟糕的后果。因此，必须将它们正确地划分为许多类别或等级，这就是多类分类发挥作用的地方。磁共振成像 (MRI) 图像是用于表示人脑以识别各种肿瘤的最可接受的方式或方法。图像分类技术的最新发展取得了长足的进步，最流行、最好的方法是 CNN，被认为是该领域最好的方法，因此，本文将 CNN 用于脑肿瘤分类问题。提出的模型成功地将脑图像分为四个不同的类别，即无肿瘤（表示给定的脑 MRI 没有肿瘤）、神经胶质瘤、脑膜瘤和垂体瘤。该模型的准确率为 99%。
使用 CNN 特征跟踪连续视频帧中的关键点以用于太空应用
摘要：太空任务中的严格时间限制带来了许多自主任务的快速视频处理问题。视频处理涉及分离不同的图像帧、获取图像描述符、应用不同的机器学习算法进行物体检测、避障以及航天器自动操纵中涉及的许多其他任务。这些任务需要在时间限制内对图像进行最翔实的描述。在流量估计应用中，需要从连续图像帧中跟踪这些信息点。SIFT 和 SURF 等经典算法是特征描述开发的里程碑。但计算复杂性和高时间要求迫使关键任务避免在实时处理中采用这些技术。因此，本文选择时间保守且复杂度较低的预训练卷积神经网络 (CNN) 模型作为特征描述符。使用预训练的 VGG 模型参数设计和实现 7 层 CNN 模型，然后使用这些 CNN 特征匹配月球下降视频连续图像帧中的兴趣点。系统的性能是基于视觉和经验关键点匹配来评估的。然后使用 CNN 特征将视频中两个连续图像之间的匹配分数与 SIFT 和 SURF 等最先进的算法进行比较。结果表明，对于太空任务的关键点跟踪应用，在时间关键的视频处理任务中，CNN 特征更可靠、更稳健。关键词：人工智能；卷积神经网络；特征描述符；机器学习；太空任务 1 引言
PSAEEGNet：基于金字塔挤压注意力机制的 CNN，用于 RSVP 任务中的单次试验 EEG 分类
脑机接口 (BCI) 技术通过解释脑电活动实现了人与计算机或其他外部设备之间的直接通信 (Cecotti and Graser, 2010; Manor and Geva, 2015)。BCI 技术在各个领域有着广泛的应用，例如运动方向识别 (Zhang et al., 2022a)、情绪识别 (Chen et al., 2019; Joshi and Ghongade, 2021; Tao et al., 2023) 和癫痫发作检测 (Xu et al., 2020; Dissanayake et al., 2021; Jana and Mukherjee, 2021; Wang B. et al., 2023)。同时，研究人员正在积极研究脑电图 (EEG) 在目标识别领域的潜在应用 (Lan et al., 2021)。在复杂环境中，计算机视觉容易受到环境干扰，
基于 CNN 的全自动胶质瘤分类与多...
摘要：准确分类胶质瘤在临床实践中至关重要。它对临床医生和患者选择适当的治疗方法具有重要意义，有助于促进个性化医疗的发展。在 MICCAI 2020 放射学和病理学联合分类挑战赛中，为每个患者提供了 4 个 MRI 序列和一张 WSI 图像。参赛者需要使用多模态图像来预测胶质瘤的亚型。在本文中，我们提出了一种用于胶质瘤分类的全自动流程。我们提出的模型由两部分组成：特征提取和特征融合，分别负责提取图像的代表性特征和进行预测。具体而言，我们提出了一种用于 3D MRI 体积的无分割自监督特征提取网络。并且通过将传统图像处理方法与卷积神经网络相结合，为 H&E 染色的 WSI 设计了一个特征提取模型。最后，我们融合从多模态图像中提取的特征，并使用密集连接的神经网络来预测最终的分类结果。我们在验证集上使用 F1 分数、Cohen's Kappa 和平衡准确度评估所提出的模型，结果分别达到 0.943、0.903 和 0.889。
使用WGBS中的CNN模型召回低覆盖部位的DNA甲基化水平
DNA甲基化是基因转录的重要调节剂。WGB是DNA甲基化定量碱基分辨率的金标准方法。它需要较高的测序深度。许多CPG位点在WGBS数据中覆盖不足，导致单个位点的DNA甲基化水平不足。提出了许多图案计算方法来预测缺失值。但是，许多方法都需要其他OMICS数据集或其他跨样本数据。，其中大多数仅预测DNA甲基化状态。在这项研究中，我们提出了RCWGB，可以将相邻侧面DNA甲基化水平的缺失（或低覆盖率）值算。深度学习技术被用于准确的预测。H1-HESC和GM12878的WGBS数据集被下采样。RCWGB预测的12×深度的DNA甲基化水平之间的平均差异分别在H1-HESC和GM2878细胞中> 50倍深度的平均差异分别小于0.03和0.01。rcwgb的表现都比Methimpute更好。我们的工作将有助于处理低测序深度的甲基化数据。对于研究人员来说，通过计算方法节省了测序成本并改善数据利用是有益的。
在黎曼框架内通过 CNN 特征的协方差池对 GPR 信号进行分类
探地雷达 (GPR) 是一种成像系统，可用于观察现场地下情况，以研究土壤的层组成或埋藏物体的存在。由于地面的电磁特性，此类图像通常具有非常低的信噪比 (SNR)。此外，根据设计，埋藏物体被观察为双曲线，其形状可能与物体类型（例如空腔或管道）相关联。在这种情况下，埋藏物体的分类在民用应用中非常重要，例如恢复埋藏天然气管道的位置 [1] 或军事应用，例如地雷探测 [2]。为了进行这种识别，一些研究考虑使用信号反演技术 [3] 来提高 SNR，以便地球物理学家进行手动解释。当需要处理大量图像时，这种解决方案可能不切实际，因为它需要专门的人力资源。因此，自动识别方法已成为必需，并受到社区的关注。GPR 信号的自动分类分两步进行。首先，感兴趣区域（ROI）对应于
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。
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。