XiaoMi-AI文件搜索系统
World File Search SystemGLCM
土耳其计算机和数学教育杂志第12卷（2021），452-465 网络安全性的量子密钥分布算法 深层小波自动编码器使用深神经网络T.Balamurugan 1，e.gnanamanoharan 2，L.Martin 3
Tadesse Hailu Ayane A，Satyasis Mishra B，Davinder Singh Rathee C，Harish Kalla d a Dept.，ECE，SEEEC，SIGNAL和IMAGE PROCESTING SIG，ADAMA科学技术大学，Adama，埃塞俄比亚文章历史：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年6月4日摘要：这项研究工作提出了一种新颖的快速且坚固的模糊C表示基础（FRFCM）分割技术，用于从MR（磁共振）图像中检测脑肿瘤，该技术可以告知放射线医生和医生脑肿瘤的细节。 这种分割技术已用于消除里奇亚的噪声和形态重建的图像。 MR（磁共振）图像特征已通过流行的灰度共发生矩阵（GLCM）和离散小波变换特征提取技术提取。 提取的特征应用于基于拟议的PSO（粒子群优化）的极限学习机（ELM），以分类恶性和良性脑肿瘤的类型，以进行视觉定位。 此外，将将分类结果与现有支持向量机和相关向量机模型进行比较。 在这项研究工作中，PSO算法已更新了拟议的新型多类极限学习机分类器模型的权重，以提高分类器的性能。 为了展示研究的独特性，此外，研究工作提出了通过嵌入式系统平台实施检测和分类的，这可能是研究工作的产品结果。 关键字：，ECE，SEEEC，SIGNAL和IMAGE PROCESTING SIG，ADAMA科学技术大学，Adama，埃塞俄比亚文章历史：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年6月4日摘要：这项研究工作提出了一种新颖的快速且坚固的模糊C表示基础（FRFCM）分割技术，用于从MR（磁共振）图像中检测脑肿瘤，该技术可以告知放射线医生和医生脑肿瘤的细节。这种分割技术已用于消除里奇亚的噪声和形态重建的图像。MR（磁共振）图像特征已通过流行的灰度共发生矩阵（GLCM）和离散小波变换特征提取技术提取。提取的特征应用于基于拟议的PSO（粒子群优化）的极限学习机（ELM），以分类恶性和良性脑肿瘤的类型，以进行视觉定位。此外，将将分类结果与现有支持向量机和相关向量机模型进行比较。在这项研究工作中，PSO算法已更新了拟议的新型多类极限学习机分类器模型的权重，以提高分类器的性能。为了展示研究的独特性，此外，研究工作提出了通过嵌入式系统平台实施检测和分类的，这可能是研究工作的产品结果。关键字：这将帮助医务人员，特别是让放射线医生和医生了解肿瘤的严重性。此外，嵌入式系统平台已用于通过GUI（图形用户界面）显示分类，分割和功能。
毒理学对疗法的尚未开发的潜力
在其核心方面，使用反射组学改编的技术捕获了剂量递送的细微变化，该技术将传统应用于诊断成像。放射线提取物可再现的定量数据（称为特征），从医学图像（通常对人眼都无法察觉）来构建肿瘤表型或临床结果的预测模型[9，10]。代替对生物标志物的成像，差异为剂量本身。参数，例如灰度共发生矩阵（GLCM）和灰度尺寸区域矩阵（GLSZM）量化剂量模式的复杂性，捕获有关辐射如何在显微镜水平上与组织相互作用的详细信息。这些特征提供了对剂量分布的细微理解，并有可能彻底改变放射治疗计划和评估。这种方法的含义是深刻的。降子学通过鉴定与这些不良反应相关的剂量模式来预测辐射诱导的托克斯型（例如肺炎和骨髓抑制）方面有希望[11，12]。使用术语“代码组”或“ Dosiomic”（2025年1月5日访问）搜索PubMed数据库，检索了34篇论文，其中包括22篇具有清晰端点的原始研究文章。对这些论文的分析显示了广泛的潜在应用：最大的比例（14.7％）着重于放射性肺炎，其次是放射性食管炎（8.8％）和生化衰竭（5.9％）。其他终点，例如骨髓衬里，口服粘膜炎和静态症，较少探索，每个端点占总数的2.9％（图1）。
使用嵌入式聚类策略提取纹理特征并描绘边界，检测 MRI 中的细微白质病变
白质病变 (WML) 是多种脑部疾病的根源，而自动 WML 分割对于评估自然病程和临床干预措施（包括药物研发）的有效性至关重要。尽管最近的研究在 WML 分割方面取得了巨大进展，但准确检测疾病早期出现的细微 WML 仍然特别具有挑战性。在这里，我们提出了一种使用强度标准化技术、灰度共生矩阵 (GLCM) 嵌入聚类技术和随机森林 (RF) 分类器自动分割轻度 WML 负荷的方法，以提取纹理特征并识别特定于真正 WML 的形态。我们通过局部离群值因子 (LOF) 算法精确定义它们的边界，该算法通过相对于其邻居的局部密度偏差来识别边缘像素。该自动化方法已在 32 名人类受试者身上进行了验证，结果显示，通过类内相关性 (ICC = 0.881，95% CI 0.769, 0.941) 和皮尔逊相关性 (r = 0.895，p 值 < 0.001)，与神经放射科医生的手动描绘具有很强的一致性和相关性（排除一个异常值），并且在 MICCAI 大挑战赛中定义的六个既定关键指标中的五个方面优于三种领先算法（修剪均值异常值检测、病变预测算法和 SALEM-LS）。通过促进对细微 WML 的更精确分割，该方法可以实现更早的诊断和干预。
基于特征的自动化脑肿瘤检测...
伊拉克技术大学电气工程系 *禁止穆罕默德·阿卜杜勒·阿尔雷达电气工程系，伊拉克大学，伊拉克电子邮件：31630@student.uotechnology.edu.iq摘要脑肿瘤是一种常见的致命疾病，需要早期的，可靠的检测技术，并可能使当前的识别方法和图像依赖于范围，并依赖于当前的识别方法，并依赖于范人为错误。这需要时间手动识别脑肿瘤。这项工作旨在设计一个能够诊断和预测磁共振成像（MRI）脑肿瘤的严重程度以做出准确决定的智能模型。主要贡献是通过基于收集的真实数据库采用新的多类分类器方法来实现的，该数据库具有反映疾病精确情况的新提议的特征。在这项工作中，两个人工神经网络（ANN）方法，即，向后馈回传播神经网络（FFBPNN）和支持向量机（SVM），用于期望脑肿瘤的水平。结果表明，（FFBPN）网络的预测将比其他时间记录的其他方法更好，以实现具有分类精度的自动分类，而3级被认为是出色的精度。软件仿真和这项工作的结果已通过MATLAB（R2012B）实现。关键字：向前向后传播神经网络，支持向量机，离散小波变换，灰色级别共发生矩阵（GLCM）的纹理特征。
改进的ResNet152v2：使用基于迁移学习的方法对脑卒中进行二分类和混合分割
摘要简介：当脑血管破裂时，大脑会受到一种称为中风的疾病的伤害。当大脑的血液和其他营养物质流动中断时，可能会出现症状。世界卫生组织 (WHO) 声称，中风是全球致残和死亡的主要原因。通过及早发现中风的不同警告症状，可以减轻中风的严重程度。可以使用计算机断层扫描 (CT) 图像快速诊断脑中风。虽然专家们正在研究每一次脑部 CT 扫描，但时间过得很快。这种情况可能会导致治疗延迟和错误。因此，我们专注于使用有效的迁移学习方法进行中风检测。材料和方法：为了提高检测准确性，使用 Red Fox 优化算法 (RFOA) 对大脑中风影响的区域进行分割。然后使用高级 Dragonfly 算法进一步处理处理后的区域。分割后的图像提取包括形态学、小波特征和灰度共生矩阵 (GLCM)。然后使用修改后的 ResNet152V2 对正常和中风图像进行分类。我们使用脑卒中 CT 图像数据集使用 Python 进行测试以进行实施。结果：根据性能分析，所提出的方法优于其他深度学习算法，实现了 99.25% 的最佳准确度、99.65% 的灵敏度、99.06% 的 F1 分数、99.63% 的精确度和 99.56% 的特异性。结论：所提出的基于深度学习的分类系统在考虑性能标准的所有输入预测模型中返回最佳解决方案，并提高了系统的功效；因此，它可以更好地帮助医生和放射科医生诊断脑中风患者。
联邦卷积神经网络用于创伤性脑损伤的预测分析：分散健康监测的进步
摘要 - 创伤性脑损伤（TBI）是一个重大的全球健康问题，通常会导致长期残疾和认知障碍。对TBI的准确及时诊断对于有效的治疗和管理至关重要。在本文中，我们提出了一个新型联邦卷积神经网络（FEDCNN）框架，用于在分散的健康监测中对TBI进行预测分析。该框架在Python中实现，利用了三个不同的数据集：CQ500，RSNA和中心-TBI，每个数据集都包含与TBI相关的带注释的脑CT图像。该方法包括数据预处理，使用灰度级别共发生矩阵（GLCM）的特征提取，采用蚱hopper优化算法（GOA）的特征选择以及使用FEDCNN进行分类。与现有方法（例如Dann，RF和DT和LSTM）相比，我们的方法的精度为99.2％，超过1.6％。FEDCNN框架提供了分散的隐私性 - 在各个网络之间保存培训，同时与中央服务器共享模型参数，从而确保健康监控中的数据隐私和分散化。评估指标在内，包括准确性，精度，召回和F1得分表明了我们方法在准确分类与TBI相关的正常和异常脑CT图像方面的有效性。ROC分析进一步验证了FedCNN框架的判别能力，强调了其作为TBI诊断的先进工具的潜力。我们的研究通过为TBI管理提供了可靠，有效的方法，为分散的健康监测领域做出了贡献，从而在患者护理和医疗保健管理方面提供了重大进步。未来的研究可以探索扩展FedCNN框架以结合其他模式和数据集，并集成先进的深度学习体系结构和优化算法，以进一步提高医疗保健应用程序中的性能和可扩展性。
c jayakumar博士
Chaired the Session at International Conferences • Jury for the International Virtual Conference on Research Innovation in Science, Engineering and Technology(IVCRISET 2021), 1st march and 2nd march 2021, Kings Engineering college, Chennai • Chair the session at International conference on computing communication and control organized by sairam engineering college chennai & IFERP on 28.2.2020 and 29.2.2020 • Chair the session at International Conference on 2019年5月18日• Chair the Session at Two-Day National Conference on Youth Advanced Computational Convergence (YACC-2023) conducted on 21 March 2023 - Dept of Computer Science(AI&Ml, Cyber Security and Data Science) Rajiv Gandhi National Institute Of Youth Development (RGNIYD), Sriperumbudur International / National Conference /FDP Participated • Present A Paper “Brain Tumour Classification With MRI Brain Image Using Level 2 - GLCM在印度帕拉达姆（Palladam）的SCAD理工学院（SCAD Technology of Institute of Instute of Indie of Indie of SCAD Institute of Indoper）在第3届国际智能可持续系统会议（ICISS 2020）举行的第三届国际智能可持续系统会议（ICISS 2020）会议上。•在“虚拟国际会议智能材料和行业4.0的新兴技术”上发表了一篇论文，使用机器学习的人事安全警报系统，2020年10月16日至17日，SVCE Sriperumbumbubudur。•在斋浦尔工程与管理大学的9月8日至10日，于2020年9月8日至10日在1届全球人工智能与应用会议上发表了一篇论文。•在国际高级计算人工智能和技术趋势的国际会议上（AIT），2020年ICRTAC - AIT 2020年，韦洛尔技术学院，钦奈，印度泰米尔纳德邦钦奈，12020年12月17日和1820年12月18日。•在第二届国际科学技术趋势上发表了一篇论文，与Chennai有关的GKM工程学院，2019年3月20日。
使用地理空间数据评估茶树健康和产量...
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦（大吉岭）和锡金邦对该国的茶叶总产量贡献巨大。除此之外，印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年，人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此，开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究，这为开发一种方法提供了想法，该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中，尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现，2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%，中度感染茶树的面积为 23.6%，患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像，发现健康茶树的面积为 43.9%，中度感染茶树的面积为 36.8%，患病茶树的面积为 19.3%。同样，对于 2004 年 6 月的 ASTER 图像，发现健康茶树的面积为 24.9%，中度健康茶树的面积为 50.1%，患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此，这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明，4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关，建立了一个经验方程，结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而，研究发现，仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。