XiaoMi-AI文件搜索系统
World File Search SystemCyrine
用于从 MRI 图像中分割缺血性中风脑的混合 ResNet50-UNet 模型 1 Fathia ABOUDI、2 Cyrine DRISSI、3 Tarek KRAIEM
1 突尼斯埃尔马纳尔大学 (UTM) 生物物理与医学技术实验室 ISTMT，突尼斯 2 突尼斯蒙吉本哈米达国立神经病学研究所神经放射学系，突尼斯 3 突尼斯医学院生物物理与医学技术实验室，突尼斯 摘要 缺血性脑卒中是最常见的脑血管疾病，也是全球死亡和长期残疾的主要原因之一。及早发现缺血性脑卒中有助于医生及早诊断，从而大大减少死亡或残疾的可能性。医学研究中使用多种方式来检测缺血性脑卒中；不过，磁共振成像 (MRI) 仍然是该领域最有效的方式。最近，许多研究人员使用深度学习模型在 MRI 图像中检测缺血性脑卒中，并取得了令人鼓舞的结果。在本文中，我们提出了一种使用深度学习模型从 MRI 图像中自动分割缺血性中风病变 (ISL) 的方法。使用的 UNet 模型是混合框架，具有预训练的 ResNet50 架构。数据增强技术已被用于超越模型的准确性。所提出的工作流程已在公共缺血性中风病变分割挑战 (ISLES) 2015 数据集上进行了训练和测试。实验结果证明了我们的方法的性能效率，它实现了 99.43% 的平均准确率和 64.14% 的 Dice 系数 (DC)。我们的方法优于其他最先进的方法，更具体地说，在准确率方面。
全球治理趋势与2030年未来情景
我们还感谢那些参加不同圆桌会议并重点讨论 GLOBE 报告中研究的不同宏观部门的专家和从业者（Ludgarde Coppens、Oriol Costa、Cyrine Drissi、Olivier de France、Tamar Gamkrelidze、Jessica Green、Patricia Kameri-Mbote、Miriam Matejova、Manuela Moschella、Gustavo Müller、Hanna Ojanen、Lucia Quaglia、Phillip H. Pattberg、Malte Peters、Ester Sabatino、Monika Sus、Maria Trigo、Andriy Tyushka、Ruben Diaz-Plaja、Maria Trigo、Eva Michaels、Jeffrey Michaels、Tobias Lenz）。总体而言，他们的意见对于准确、合理地理解当前全球治理挑战至关重要。我们特别感谢 Esade 全球经济与地缘政治中心主席 Javier Solana，自 2020 年 1 月启动以来，他以多种方式支持了本研究项目。
全球治理趋势与2030年未来情景
我们还感谢那些参加不同圆桌会议并重点讨论 GLOBE 报告中研究的不同宏观部门的专家和从业者（Ludgarde Coppens、Oriol Costa、Cyrine Drissi、Olivier de France、Tamar Gamkrelidze、Jessica Green、Patricia Kameri-Mbote、Miriam Matejova、Manuela Moschella、Gustavo Müller、Hanna Ojanen、Lucia Quaglia、Phillip H. Pattberg、Malte Peters、Ester Sabatino、Monika Sus、Maria Trigo、Andriy Tyushka、Ruben Diaz-Plaja、Maria Trigo、Eva Michaels、Jeffrey Michaels、Tobias Lenz）。总体而言，他们的意见对于准确、合理地理解当前全球治理挑战至关重要。我们特别感谢 Esade 全球经济与地缘政治中心主席 Javier Solana，自 2020 年 1 月启动以来，他以多种方式支持了本研究项目。