XiaoMi-AI文件搜索系统
World File Search SystemGabor
使用小波纹理分析和机器学习对骨质疏松X射线图像进行分类
摘要：骨质疏松症是一种由骨矿物质含量降低和骨微体系结构的变化所定义的疾病，对使用X射线图像进行准确分类构成了挑战。本文旨在从跟骨放射线照片中提取纹理特征，并选择最佳的纹理特征，这些特征可用于训练机器学习分类器模型以检测骨质疏松症。这项工作基于多分辨率分析和微结构分析，以表征来自跟骨X光片的小梁骨微体系结构。将图像转换为使用两级小波分解提取特征细节。结构纹理方法，例如局部二进制图案，分形维度和Gabor滤波器被应用于小波分解的图像。使用独立的样本t检验和特征选择方法选择了最具区别的纹理特征。机器学习模型是通过使用最佳纹理功能训练分类器来构建的，以从骨质疏松图像中对健康图像进行分类。使用包含跟骨放射线图像的公共挑战数据集评估了所提出方法的E ff。值得注意的是，最佳分类是通过使用正向特征选择选择的功能训练的K-Nearest邻居获得的，精度为78.24％。结果表明该方法作为低成本筛查骨质疏松症的可能替代工具的潜力。
使用混合深度学习方法进行脑肿瘤检测的最新趋势
“脑瘤”一词描述了脑细胞不受控制的增加，这可能会产生各种不良后果。在医学研究领域，人们采用各种方法来发现脑瘤，而专家仍在使用的最可靠的方法是磁共振成像（MRI）。非侵入性MRI方法已发展成为一种主要的发射脑瘤调查工具。为了准确识别肿瘤的范围，可靠、完全自动的脑瘤分割方法仍在研究中。早期发现肿瘤，治疗成功的可能性更高。检测脑瘤影响细胞是一个繁琐且耗时的过程。尽早识别和分类脑瘤对于有效治疗非常重要。本文对现有方法进行了分析，以将各种形式的深度学习技术应用于MRI数据。本综述提供了基于混合深度学习的脑肿瘤诊断方法，该方法结合了不同的深度学习方法，如卷积神经网络 (CNN)、UNET 架构、GoogLeNet 和 Gabor 滤波器进行特征提取。通过广泛的调查，本综述得出结论，深度学习方法比传统的机器学习算法提供更准确、更高效的结果。这项调查强调了当前的临床挑战、潜在的未来解决方案，并开启了研究人员的挑战，以开发系统性脑肿瘤检测系统，展示临床上可接受的更好的准确性，这将有助于放射科医生进行诊断。
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。
用于偏差场的深度卷积神经网络...
摘要 偏置场作为一种低频平滑信号，对磁共振（MRI）图像具有一定的破坏作用，是医生诊断和图像处理（如分割、纹理分析、配准等）的主要障碍。在分析受损的MRI图像之前，需要一个预处理步骤来校正图像中的偏置场。与传统基于信号模型和先验假设的偏置场去除算法不同，深度学习方法不需要对信号和偏置场进行精确建模，也不需要调整参数。经过深度神经网络训练大训练集后，输入带有偏置场的MRI图像，输出校正后的MRI图像。本文提出以log-Gabor滤波器组获得的多个频带上的偏置场局部特征图像和原始图像作为输入，通过深度可分离卷积神经网络对脑MRI图像的偏置场进行校正，并使用残差学习和批量归一化来加速训练过程并提高偏置场校正性能。我们的训练模型在 BrainWeb 模拟数据库和 HCP 真实数据集上进行了测试，定性分析的结果表明我们的训练模型取得了比传统最先进的 N4 和 NIMS（非迭代多尺度）方法更好的性能。关键词：磁共振成像；强度不均匀性校正；偏置场；Log-Gabor 滤波器；深度学习
conf。大学。博士康斯坦丁·蒙塔努（Constantin Munteanu）
生物学博士，布加勒斯特大学，生物学学院，具有杰出成绩，荣耀，文凭G，第1期。0005456，基于比赛的顺序。4226，载于2010年6月15日，教育水平：8，2003-2010论文：对来自马尔纳斯 - 巴尼的锂和litiniferinifor矿泉水的胶质反应，其在男性抑郁症中的相关性” 0005142自2003年以来，教育水平：2001- 2003年论文：“生物学和生物社会信息的系统和系统分析”，讲师Carmen Strungaru博士康复硕士，医学和药学大学的康复硕士学位，Grigore T. Popa”，IAșI，教育ISCEUTT of EDACIAL ISIED：2024.224 2022-2024论文：“在培育后骨质疏松症患者的物理疗法帮助下，改善生活质量”，协调员大学教授。 Mariana Rotariu博士获得生物学许可，布加勒斯特大学，生物学文凭系列系列，第1期。 0032664，2000年，教育水平：6，1996-2000论文：研究细胞毒性系统中某些胎盘蛋白分数NK的免疫调节活性的调查4226，载于2010年6月15日，教育水平：8，2003-2010论文：对来自马尔纳斯 - 巴尼的锂和litiniferinifor矿泉水的胶质反应，其在男性抑郁症中的相关性”0005142自2003年以来，教育水平：2001- 2003年论文：“生物学和生物社会信息的系统和系统分析”，讲师Carmen Strungaru博士康复硕士，医学和药学大学的康复硕士学位，Grigore T. Popa”，IAșI，教育ISCEUTT of EDACIAL ISIED：2024.224 2022-2024论文：“在培育后骨质疏松症患者的物理疗法帮助下，改善生活质量”，协调员大学教授。Mariana Rotariu博士获得生物学许可，布加勒斯特大学，生物学文凭系列系列，第1期。0032664，2000年，教育水平：6，1996-2000论文：研究细胞毒性系统中某些胎盘蛋白分数NK的免疫调节活性的调查
图形摘要
目标：早期检测到心血管疾病（CVD）可以进行治疗，并显着降低死亡率。传统上，由于其成本率和简单性，因此使用Phoncartiogram（PCG）信号来检测心血管疾病。尽管如此，各种环境和生理噪声经常会产生PCG信号，从而损害了它们的基本独特特征。在人满为患和受资源受限的医院中，此问题的普遍性可能会损害医学诊断的准确性。因此，本研究旨在发现使用嘈杂的心脏声音信号检测CVD的最佳转换方法，并提出一个噪声强大的网络，以改善CVDS分类。方法：为了鉴定嘈杂心脏声音数据的最佳变换方法MEL频率cepstral coe ffi cients（MFCC），短期傅立叶变换（STFT），常数Q非组织Gabor Transform（CQT）和连续的Wavelet Transform（CWT）已与VGGGGG一起使用。此外，我们提出了一种新型的卷积复发性神经网络（CRNN）结构，称为噪声鲁棒有氧运动（NRC-NET），该结构是一个轻巧的模型，用于对二尖瓣反流，主动脉狭窄，二位骨狭窄，二尖瓣膨胀，二尖瓣脱垂和使用PCG的正常心脏的声音和随机呼吸的正常心脏的声音和正常呼吸道抗衡。包括一个注意块，以从嘈杂的腐败心脏声音中提取重要的时间和空间特征。结果：这项研究的结果表明，CWT是最佳转换
技术计划 - Del Mar Photonics
Sos S. Agaian，德克萨斯大学圣安东尼奥分校 F. Jack Agee，莱斯大学 Bjørn F. Andresen，Elbit Systems Electro-Optics EIOp Ltd.（以色列） Roger Appleby，QinetiQ Ltd.（英国） Misty Blowers，空军研究实验室 Howard E. Brandt，陆军研究实验室 J. Thomas Broach，美国陆军 RDECOM CERDEC NVESD Randall W. Brown，空军研究实验室 Edward M. Carapezza，康涅狄格大学和 DARPA John C. Carrano，Luminex 公司 David P. Casasent，卡内基梅隆大学 Tien-Hsin Chao，喷气推进实验室 Zhongyang Cheng，奥本大学 Hong-Liang Cui，史蒂文斯理工学院 Belur V. Dasarathy，顾问 Peter J. Delfyett，康涅狄格大学光学与光子学学院佛罗里达州中部 Michael James DeWeert、BAE Systems Sohail A. Dianat、罗切斯特理工学院 Eric J. Donkor、大学康涅狄格州马克·A·杜宾斯基 (Mark A. Dubinskii) 陆军研究实验室。埃姆雷·埃尔廷 (Emre Ertin)，俄亥俄州立大学Augustus W. Fountain III，美国 RDECOM ECBC Gabor F. Fulop，Maxtech International Inc. Douglas W. Gage，XPM Technologies Frederick D. Garber，莱特州立大学Patrick J. Gardner，通用动力武器和技术产品 Thomas George，ViaLogy Corp. Grant R. Gerhart，美国陆军 TARDEC/RDECOM G. Charmaine Gilbreath，海军研究实验室。 Jeff J. Güell，波音公司
最初发表于以下网址：钦（Chen），Xin； Tsvetkov，Andrey S；沉，汉明； Isidoro，Ciro； Ktistakis，Nicholas t; Linkermann，Andreas； Koopman，Werner J H
z , Jinbao Lyu is , Jong-Lyel Roh bb , Enyong Dai cc , Gabbor Juhasz dd,ee , Wei Leu's , Jai' Piacentini mm,n , Wen-Xing Ding' Zhivotovsky xx,yy,ys , Sébastein Besteiro horror , Dmitry I. Gabrilovich bbb , Do-Hyung Kim CCC，Valerian E. Kagan DDD，HülyaBayiree，Guang-Cho Chen FF，Skot Ayton Ggg'，Masaki Comatsu，Stefan Krautwadd JJJ Michael Thumm，Martin Campmann vv，Martin Campmann VV， BBBB，Helbert J. Zeccc Guido Croemer’
绿色
使用小波的频谱分析被广泛用于识别脑电图中的生物标志物。同时，Riemannian几何形状启用了理论上接地的机器学习模型，具有高性能，用于预测来自多通道EEG唱片的生物医学结果。但是，这些方法通常依赖于手工制作的规则和顺序优化。相比之下，深度学习（DL）提供了端到端训练模型，可在各种预测任务上实现最新性能，但缺乏与既定神经科学概念的可解释性和互操作性。我们介绍了绿色（Gabor Riemann Eegnet），这是一个轻巧的神经网络，该网络集成了小波变换和用于处理原始脑电图数据的Riemannian几何形状。在三个数据集（Tuab，aab，aueeg，tdbrain）上进行五项预测任务（年龄，性别，凝视诊断，痴呆诊断，脑电图病理学），具有超过5000名参与者，绿色的表现优于非深度最先进的最新模型，并且使用CAU Benchmarks上的大型DL模型进行了良好的表现，并使用订单级符合订单级的CAU Benchmarks上表现出色。计算实验表明，绿色促进了学习稀疏表示的情况，而不会损害性能。绿色的模块化允许计算相同步的经典度量，例如成对的相锁定值，这些值可传达用于痴呆诊断的信息。学习的小波可以解释为带通滤波器，从而增强解释性。我们用Berger效应说明了这一点，证明了闭合眼睛时8-10 Hz功率的调制。源代码可公开可用。通过整合领域知识，绿色实现了理想的复杂性 - 绩效权衡，并学习可解释的脑电图表示。
SSN22-Call-lr.pdf - SPIE
程序委员会：Barbar J. Akle，黎巴嫩美国大学（黎巴嫩）；Yoseph Bar-Cohen，喷气推进实验室（美国）；Ray H. Baughman，德克萨斯大学达拉斯分校（美国）；Holger Böse，弗劳恩霍夫硅酸盐研究所 ISC（德国）；Eric Cattan，上法兰西理工大学（法国）；Hyouk Ryeol Choi，成均馆大学（韩国）；Marco Fontana，圣安娜高等学校（意大利）；Edwin W. H. Jager，林雪平大学（瑞典）；Giedrius Janušas，考纳斯理工大学（立陶宛）；Martin Kaltenbrunner，约翰内斯开普勒林茨大学（奥地利）； Christoph Keplinger，科罗拉多大学博尔德分校（美国）；Kwang Jin Kim，内华达大学拉斯维加斯分校（美国）；Soo Jin Adrian Koh，马克斯普朗克智能系统研究所（德国）；Gabor M. Kovacs，CTsystems AG（瑞士）；Maarja Kruusmaa，塔林理工大学（爱沙尼亚）；Jinsong Leng，哈尔滨工业大学（中国）；李铁锋，浙江大学（中国）；Jürgen Maas，柏林工业大学（德国）；Il-Kwon Oh，韩国科学技术研究院（韩国）；Toribio F. Otero，卡塔赫纳理工大学（西班牙）；裴齐兵，加州大学洛杉矶分校（美国）；Aaron D. Price，西部大学（加拿大）； Jonathan M. Rossiter，布里斯托大学（英国）；Stefan S. Seelecke，萨尔大学（德国）；Jun Shintake，电气通信大学（日本）；Anuvat Sirivat，朱拉隆功大学（泰国）；Anne Ladegaard Skov，理工大学 o