XiaoMi-AI文件搜索系统
World File Search SystemGoogleNet
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。
使用超像素融合、GoogleNet 和线性邻域语义分割的 SLIC 分割进行脑肿瘤分类
脑肿瘤是由于细胞不受控制地生长而产生的异常组织肿块。脑肿瘤通常会缩短寿命并在后期导致死亡。自动检测脑肿瘤是计算机辅助疾病诊断系统中一项具有挑战性且重要的任务。本文提出了一种基于深度学习的脑肿瘤分类方法。使用边缘方向总变分去噪去除脑 MRI 图像中的噪声。使用超像素融合的 SLIC 分割对脑 MRI 图像进行分割。将分割结果提供给经过训练的 GoogleNet 模型，该模型可识别图像中的肿瘤部分。一旦识别出肿瘤，便使用基于卷积神经网络 (CNN) 的改进语义分割模型对肿瘤段边缘的像素进行分类。改进的语义分割使用像素的线性邻域来进行更好的分类。由于边界处的像素被准确分类，因此最终识别出的肿瘤是准确的。实验结果表明，该方法在 GoogleNet 分类模型中的准确率为 97.3%，线性邻域语义分割的准确率为 98%。
自动疾病预测的深度学习辅助医学图像分析
googlenet/Intection v1bn-Inception/Intection v2 v2 v3 Inception v3 v4 v4 v4 v4重新网5 50resnet 101resnet 152inceptionRestv1 inceptionRestv1inceptionRestv2222222
1使用深神经网络对ECG信号进行分类
心电图（ECG）是心脏病领域的必不可少的工具，因为它可以测量心脏的电活动。它涉及将电极放在患者的皮肤上，从而促进心律的测量和分析。这种非侵入性和无痛测试提供了有关心脏功能的基本信息，并有助于诊断各种心脏病。使用深度学习技术对心电图信号进行分类，近年来引起了极大的兴趣。通过深度学习模型，尤其是卷积神经网络（CNN）的应用，心电图分类任务表现出了令人鼓舞的结果。在本研究中提出了Googlenet，Alexnet和Resnet Deep-CNN模型作为可靠的方法，用于使用ECG数据准确诊断和分类心脏病。这些模型的主要目标是预测和分类普遍的心脏病，包括心律不齐（ARR），充血性心力衰竭（CHF）和正常的窦性节奏（NSR）。为了实现此分类，通过连续小波变换获得的2D缩放图图像被用作模型的输入。该研究的发现表明，在准确预测和分类与这些心脏条件相关的ECG信号方面，Googlenet，Alexnet和Resnet模型的精度为96％，95,33％和92,66％。总体而言，在ECG分析中，深度学习技术（例如Googlenet，Alexnet和Resnet模型）的整合具有提高诊断和分类心脏疾病的准确性和效率的希望，有可能导致改善患者护理和成果。
使用深度学习模型对脑肿瘤进行分类
本研究旨在对现有（最先进的）深度学习模型进行比较分析，以利用 MRI（磁共振成像）图像识别脑肿瘤疾病的早期检测。为此，在 Matlab 平台上编码了 GoogleNet、Mobilenetv2、InceptionV3 和 Efficientnet-b0 深度学习模型，并用于检测和分类脑肿瘤疾病。对常见的胶质瘤、脑膜瘤和垂体脑瘤进行了分类。数据集包括四个不同类别的 7022 张脑 MRI 图像，这些图像在 Kaggle 平台上公开共享。对数据集进行了预处理，对模型进行了微调，并使用了适当的参数值。在评估我们比较的深度学习模型的统计分析结果时，按成功率排序，获得了 Efficientnet-b0（%99.54）、InceptionV3（%99.47）、Mobilenetv2（%98.93）和 GoogleNet（%98.25）的结果。研究结果有望为相关领域的医生和研究人员的决策提供建议，特别是在疾病的早期诊断、缩短诊断时间和减少人为错误方面具有一定优势。
第 3 讲：卷积神经网络
– 特征不变性很难：施加扰动，针对每个变化进行学习 – ImageNet 最佳表现者的进展 – AlexNet：第一个表现最好的 CNN，60M 参数（来自 LeNet-5 的 60k），ReLU – VGGNet：更简单但更深（8 19 层），140M 参数，集成 – GoogleNet：新原始 = inception 模块，5M 参数，无 FC，效率 – ResNet：152 层，消失梯度 拟合残差以实现学习 5. 无数应用程序：通用架构，巨大功能
用于诊断糖尿病性视网膜病变发育阶段诊断的混合方法
摘要：糖尿病性视网膜病（DR）是糖尿病的并发症，会损害视网膜细腻的血管并导致失明。眼科医生通过对眼底进行成像来诊断视网膜。该过程需要很长时间，需要熟练的医生来诊断和确定DR的阶段。因此，使用人工智能的自动技术在分析底眼图像以检测DR开发阶段的过程中起着重要作用。但是，使用人工智能技术的诊断是一项困难的任务，并且经过许多阶段，而提取代表性特征对于达到令人满意的结果很重要。卷积神经网络（CNN）模型在高精度提取特征中起着重要而独特的作用。在这项研究中，使用两种建议的方法，将眼底图像用于检测DR的发育阶段，每个方法都有两个系统。第一个提出的方法将Googlenet与SVM和RESNET-18一起使用SVM。第二种方法基于使用GoogLenet，模糊颜色直方图（FCH），灰度级别共发生矩阵（GLCM）和局部二进制图案（LBP）提取的杂种特征，使用前馈神经网络（FFNN）；然后是RESNET-18，FCH，GLCM和LBP。所有提出的方法获得了较高的结果。具有RESNET-18，FCH，GLCM和LBP的混合特征的FFNN网络获得了99.7％的精度，精度为99.6％，敏感性为99.6％，特异性100％和99.86％的AUC。
从磁共振成像中检测脑肿瘤...
简介：这项工作的目的是使用计算智能技术对磁共振成像（MRI）图像进行检测和分类。材料和方法：3264个MRI脑图像的数据集包含4类：未指定的神经胶质瘤，脑膜瘤，垂体和健康的大脑，在本研究中使用。Twelve convolutional neural networks (GoogleNet, MobileNetV2, Xception, DesNet-BC, ResNet 50, SqueezeNet, ShuffleNet, VGG-16, AlexNet, Enet, EfficientB0, and MobileNetV2 with meta pseudo-labels) were used to clas- sify gliomas, meningiomas, pituitary tumours, and healthy brains找到最合适的模型。典范包括图像预处理和超参数调整。根据每种类型的脑肿瘤的准确性，精度，召回和F量表来评估每个神经网络的性能。结果：实验结果表明，MobilenetV2循环神经网络（CNN）模型能够以99％的精度，98％的召回率和99％的F1得分来诊断脑肿瘤。另一方面，验证数据分析表明，CNN模型Googlenet在CNN中的精度最高（97％），并且似乎是脑肿瘤分类的最佳选择。结论：这项工作的结果强调了人工智能和机器学习对脑肿瘤预测的重要性。此外，这项研究达到了迄今为止脑肿瘤分类中最高的确定性，这也是唯一一项同时比较许多神经网络的性能的研究。
双向探出，用于MR图像的脑肿瘤分割
摘要：近年来，基于深度学习的网络在MR图像的脑肿瘤分割方面取得了良好的性能。在现有网络中，U-NET已成功应用。在本文中，它提出了深度学习的双向卷积LSTM XNET（BCONVLSTMXNET），用于分割脑肿瘤并使用GoogleNet分类肿瘤和非肿瘤。对BRATS-2019数据集进行了评估，并获得了肿瘤和非肿瘤分类的结果：0.91，精度：0.95：0.95，召回：1.00＆F1得分：0.92。类似地，对于获得精度的脑肿瘤的分割类似：0.99，特定山脉：0.98，灵敏度：0.91，精度：0.91＆F1得分：0.88。关键字：convlstm; Googlenet；线性变换（LT）; Notch过滤器； X-NET 1简介大脑控制并协调许多重要的身体功能。正常细胞会产生，生长和死亡，当人体不需要它们时，异常细胞被称为癌症。当异常细胞在大脑的任何部分内部产生时，就会发生脑肿瘤。有两种主要类型的肿瘤，即恶性肿瘤和良性肿瘤。良性脑肿瘤是非癌性的，恶性肿瘤是癌性的。转移性脑肿瘤发生时，当位于人体另一个器官的癌症传播到大脑时，所有癌症中有40％扩散到大脑和中枢神经系统，最多一半的转移性脑肿瘤来自肺癌。在10,000个人群中，有5至10人影响印度的中枢神经系统（CNS）肿瘤[1]。