XiaoMi-AI文件搜索系统
World File Search SystemGLCM
使用优化阈值差异算法和粗糙集从磁共振图像中分割脑肿瘤
摘要 - 本研究提出了一种使用所提出的优化阈值差异 (OTD) 和粗糙集理论 (RST) 自动分割脑肿瘤的有效方法。使用所提出的两级分割算法确定肿瘤区域。第一级，即创建叠加图像，它是初始阶段分割的脑区所有像素的强度平均值。然后是第二级，其中根据指定的阈值在脑区和叠加图像之间应用阈值差异处理。使用灰度共生矩阵 (GLCM) 从分割图像中提取特征。为了提高性能，对提取的特征采用了 RST。使用 Figshare 开放数据集验证了完全自动化的方法。
研究论文基于深度神经网络和多模态 MRI 图像的脑肿瘤 3D 自动分割
脑肿瘤分割是医学图像处理中的重要内容，也是医学中很常见的研究。由于现代科技的发展，利用深度学习（DL）和多模态MRI图像对脑肿瘤分割进行研究非常有价值。为了解决脑肿瘤分割效率低、准确率不高的问题，本文提出利用DL进行多模态MRI图像分割的研究，旨在为医生做出准确的诊断和治疗。此外，本文构建了脑肿瘤的自动诊断系统，利用GLCM和离散小波变换（DWT）从MRI图像中提取特征，然后利用卷积神经网络（CNN）进行最终诊断；最后通过四则运算。两种算法的结果对比证明了CNN算法具有更好的处理能力和更高的效率。
对Cacao Post ...
可可豆在巧克力生产中起着至关重要的作用，使其成为高度相关的作物。可可豆的收获后阶段，包括分类，质量评估和发酵，具有重要的重视。随着对可销售的可可豆的需求不断增长，对可靠，准确和快速技术的需求已经出现。这项研究在2016年至今的可可豆的收获后阶段提供了对机器学习技术的全面综述。分析36项研究，重点是分类，质量评估和发酵。建议的框架包括应用领域，学习算法，性能指标和报告的影响。值得注意的是，它探讨了各种机器学习应用，例如分类，质量评估和发酵，突出了常用算法，例如ANN，CNN和SVM。在性能指标方面，GLCM在可可分类中达到了最高的准确性（99.61％），ANFI在质量评估方面表现出色（99.715％），而K-NN则是发酵最准确的。本评论是可可豆领域研究人员的宝贵资源，为机器学习进步提供了见解。
机器学习的开发和验证
缩写 AUC = ROC 曲线下面积；BBB = 血脑屏障；CE = 对比增强；DMG = 弥漫性中线胶质瘤；DMG-A = DMG，H3 K27 改变；DMG-W = 无 H3 K27 改变的中线 HGG；GLCM = 灰度共生矩阵；GLDM = 灰度依赖矩阵；GLRLM = 灰度游程矩阵；GLSZM = 灰度大小区域矩阵；GNB = 高斯朴素贝叶斯；HGG = 高级别胶质瘤；ICC = 类间相关系数；LASSO = 最小绝对收缩和选择运算符；LR = 逻辑回归；ML = 机器学习；MLP = 多层感知器；PCNSL = 原发性中枢神经系统淋巴瘤；RF = 随机森林；ROC = 受试者工作特性；ROI = 感兴趣区域；SHAP = Shapley 加性解释；SVM = 支持向量机。提交于 2022 年 6 月 30 日。接受于 2022 年 11 月 15 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.11.JNS221544。 * KL 和 HC 对这项工作的贡献相同。
IAES国际人工智能杂志（IJ-AI）
在印度尼西亚，宫颈癌是仅次于乳腺癌的第二大致命疾病。人们使用各种诊断成像方式来确定宫颈癌的位置和严重程度，其中一种是计算机断层扫描 (CT) 扫描。本研究处理的 CT 图像数据集由两类组成，即宫颈癌患者的异常宫颈图像和其他疾病患者的正常宫颈图像。它侧重于分割和分类程序定位宫颈癌区域并根据图像中包含的特征将图像分为正常和异常类别的能力。我们提出了一种新的方法来检测宫颈器官周围的轮廓，并用人工神经网络 (ANN) 对图像数据进行分类。使用的分割算法是基于区域的蛇形模型。宫颈图像区域的纹理特征以灰度共生矩阵 (GLCM) 的形式排列。添加了支持向量机 (SVM) 来确定哪种算法更适合比较。实验结果表明，ANN模型的受试者工作特性（ROC）参数值优于SVM模型和现有方法，灵敏度为96.2%，特异性为95.32%，准确率为95.75%。
阿尔茨海默病的脑部 MR 图像分类
摘要 阿尔茨海默病 (AD) 是最常见的痴呆症类型。在发达国家，65 岁以后的 AD 发病率估计约为 5%，85 岁以上的发病率高达 30%。AD 会破坏脑细胞，导致人们失去记忆力、心理功能和继续日常活动的能力。这项研究的结果可能会帮助专家通过患者的磁共振成像 (MRI) 区分 AD 患者和正常对照 (NC) 来做出决策。性能进化被应用于来自阿尔茨海默病神经成像计划 (ADNI) 收集的 346 张磁共振图像。深度信念网络 (DBN) 分类器用于实现分类功能。权重用于测试所提出方法的识别能力，并使用样本训练集对网络进行训练。因此，这项研究提供了一种利用自动分类识别阿尔茨海默病的新方法。在测试中，它的表现令人钦佩，当将灰度共生矩阵 (GLCM) 特征与 DBN 相结合时，对 AD 和 NC 研究类别的准确率达到 98.46%。关键词：阿尔茨海默病、深度信念网络、灰度共生矩阵、磁共振成像。
使用 MRI 肿瘤纹理预测前庭神经鞘瘤放射外科治疗后暂时性肿瘤增大
目的：前庭神经鞘瘤 (VS) 是一种罕见的良性脑肿瘤，通常采用伽玛刀放射外科 (GKRS) 治疗。然而，由于暂时性肿瘤增大 (TTE) 可能产生的不良影响，大型 VS 肿瘤通常通过手术切除而不是放射外科治疗。由于显微外科手术具有高度侵入性并且会显著增加并发症的风险，因此通常首选 GKRS。因此，预测大型 VS 肿瘤的 TTE 可以改善整体 VS 治疗，并使医生能够根据个体情况选择最优治疗策略。目前，尚无已知的临床因素可以预测 TTE。在本研究中，我们旨在使用从 MRI 扫描中提取的纹理特征来预测 GKRS 后的 TTE。方法：我们分析了在我们伽玛刀中心接受治疗的 VS 患者的临床数据。数据是前瞻性收集的，包括患者和治疗相关特征以及治疗当天和治疗后 6、12、24 和 36 个月的随访中获得的 MRI 扫描。使用统计检验研究了患者和治疗相关特征与 TTE 的相关性。从治疗扫描中，我们提取了以下 MRI 图像特征：一阶统计数据、Minkowski 函数 (MF) 和三维灰度共生矩阵 (GLCM)。这些特征被应用于机器学习环境中，用于使用支持向量机对 TTE 进行分类。结果：在包含 61 名明显非 TTE 患者和 38 名明显 TTE 患者的临床数据集中，我们确定患者和治疗相关特征与 TTE 没有任何相关性。此外，使用支持向量机分类，一阶统计 MRI 特征和 MF 没有显著显示预后价值。然而，利用一组 4 个 GLCM 特征，我们实现了 0.82 的敏感性和 0.69 的特异性，显示了它们对 TTE 的预后价值。此外，这些结果对于较大的肿瘤体积有所增加，对于大于 6 cm 3 的肿瘤，获得了 0.77 的敏感性和 0.89 的特异性。结论：本研究的结果清楚地表明，MRI 肿瘤纹理提供了可用于预测 TTE 的信息。这可以作为选择个体 VS 治疗的基础，进一步改善整体治疗结果。特别是对于 VS 较大的患者，TTE 现象最为相关，我们的预测模型表现最佳，这些发现可以在临床工作流程中实施，从而可以为每位患者确定最优的治疗策略。© 2020 作者。医学物理学由威利期刊公司代表美国医学物理学家协会出版。 [https://doi.org/10.1002/mp.14042]
Telkomnika电信计算电子和控制
在此，使用离散小波变换（DWT）转换（DWT）转换（DWT）转换和灰度共同发生矩阵（GLCM）的特征提取和特征提取了使用磁性磁共振（MRI）Imagoma（MRI）GLI（MRI）GLI（MRI）（MRI）（MRI）（MRI）图像（LBP），使用了脑肿瘤分类方法（SVM）算法（DWT）变换（DWT）转换（DWT）转换和特征提取（LBP）。 （HGG）组。SVM算法用作分类方法已被广泛用于提高分类主题的研究。通过2个数据类之间的超平面形成，可以说SVM算法是一种可靠的方法，但不需要复杂的计算。DWT转换旨在提供MRI图像中更清晰的特征细节，因此当应用特征提取算法时，预计提取的特征在良性肿瘤MRI图像和恶性肿瘤MRI图像之间会有所不同。使用高低（HL）子带中的1级DWT中的DWT产生的最高特异性，灵敏度和准确性比使用LGG MRI图像中的HL或低高（LH）子频段使用3级水平。与另一项研究相比，我们提出的方法在准确性方面稍好一些，以实现98.6486％的精度对脑肿瘤图像进行分类。
基于集合学习的基于磁共振图像的本地斑块分类，以检测大脑中的铁沉积
摘要：已经观察到正常衰老的大脑中的铁沉积，并且与神经退行性疾病有关。据我们所知，尚未进行基于大脑基底神经节区域的铁沉积的大脑磁共振图像（MRI）的自动分类。使用简单的MRI技术来分析大脑中的铁区域非常困难。MRI序列（SWI）（SWI）有助于区分脑铁区域。我们工作的目的是研究大脑基底神经节区域的某些区域的铁地区并对MR图像进行分类。该研究包括60个MRI图像，由40名具有铁区域的受试者和20名健康对照受试者组成。我们进行了高斯平滑，然后根据铁和正常区域构建了每个MR图像的40个局部贴片。灰度合作矩阵（GLCM）特征是从斑块中提取的，并喂入随机森林（RF）分类器，用于基于贴片的铁区域。数据补丁特征的培训是由随机森林分类器进行的，并测量了分类器的性能。实验结果表明，使用随机森林分类器对脑铁图像进行分类的拟议局部贴片方法实现了96.25％的分类精度，可从脑MR序列中识别正常和铁区域。
使用...
玉米的发展和生产力是全世界重要的农作物，可能会因几种营养缺陷而阻碍。如果我们想增加玉米输出，我们需要快速找到这些问题。这项研究提出了一种通过分析叶片照片来鉴定玉米植物中营养缺陷的详尽方法。我们的方法将深度学习算法与常规机器学习方法结合在一起，以分析和从这些图片中提取信息。所检查的四种营养缺乏症是锌（Zn），钾（K），氮（N）和磷（P）。标准机器学习方法使用Gabor，离散小波变换，局部二进制模式和灰度级别的共发生矩阵（GLCM）。然后，使用诸如支持向量机（SVM），决策树和梯度提升等算法进行分类。根据我们的实验数据，机器学习算法成功地诊断了玉米植物中的营养缺陷。这项研究的结果突出了通过更好的植物营养管理来提高农业产量的机器学习算法的希望。农民和农业专家可能会大大受益于自动图像分析，这些图像分析可以快速，正确地识别玉米植物中的营养缺陷。这项技术有可能在全球范围内为食物的可持续性和安全做出贡献。