XiaoMi-AI文件搜索系统
World File Search SystemGoogleNet
使用卷积神经网络体系结构转移学习，从MRI图像中进行神经胶质瘤分类
Sunita M.Kulkarni 1†和G.Sundari Dr.Sundari 2††，ECE，Sathyabama科学技术研究所ECE，印度钦奈，摘要Glioma是脑胶质细胞中开始的脑肿瘤的常见类型。这些肿瘤分为低度或高级肿瘤。医生分析脑肿瘤的阶段，并建议对患者进行治疗。肿瘤的状态在治疗中很重要。如今，计算机系统用于分析和分类脑肿瘤。 肿瘤的准确分级在治疗脑肿瘤方面是有意义的。 本文旨在使用深度学习算法来开发低级神经胶质瘤和高级神经胶质瘤的分类。 该系统利用四种转移学习算法，即Alexnet，Googlenet，Resnet18和Resnet50，用于分类。 在这些算法中，RESNET18显示出最高的分类精度为97.19％。 关键词：脑肿瘤，深度学习，高级神经胶质瘤，低度神经胶质瘤，MRI，Resnet。如今，计算机系统用于分析和分类脑肿瘤。肿瘤的准确分级在治疗脑肿瘤方面是有意义的。本文旨在使用深度学习算法来开发低级神经胶质瘤和高级神经胶质瘤的分类。该系统利用四种转移学习算法，即Alexnet，Googlenet，Resnet18和Resnet50，用于分类。在这些算法中，RESNET18显示出最高的分类精度为97.19％。关键词：脑肿瘤，深度学习，高级神经胶质瘤，低度神经胶质瘤，MRI，Resnet。
FF16D64B-25BB-43C9-B84F-C628DB098916.PDF
心脏听诊是一种无创，方便且低成本的心脏瓣膜疾病的方法，它可以在早期诊断心脏瓣膜的异常。但是，听诊的准确性取决于心脏病学家的专业精神。偏远地区的医生可能缺乏正确诊断的经验。因此，有必要设计一个系统来协助诊断。TIS研究提出了一种计算机辅助心脏瓣膜疾病诊断系统，包括心脏声音获取模块，训练有素的诊断模型和软件，可以诊断四种心脏瓣膜疾病。在这项研究中，收集了包含FVE类别的心脏声音类别的训练数据集，包括正常，二尖瓣狭窄，二尖瓣反流和主动脉狭窄心脏声音。卷积神经网络Googlenet和加权KNN用于单独训练模型。对于通过卷积神经网络训练的模型，时间序列心脏声音信号基于连续小波变换转换为时频缩放图，以适应Googlenet的体系结构。对于通过加权KNN训练的模型，手动提取时间域和时频域的特征。基于卡方测试的十项选择选择，以获得更好的功能。此外，我们设计的软件使医生可以上传心脏声音，可视化心脏声波形并使用模型来获取诊断。使用准确性，灵敏度，特异性和F 1分数指标的模型评估是在两个训练有素的模型上进行的。te结果表明，经过修改的Googlenet训练的模型优于其他人，总体准确性为97.5％。诊断四种心脏瓣膜疾病的平均准确性，灵敏度，特异性和F 1得分分别为98.75％，96.88％，99.22％和97.99％。 TE计算机辅助诊断系统，具有心脏声音获取模块，诊断模型和软件，可以可视化心脏声波并显示参考诊断结果。 可以帮助诊断心脏瓣膜疾病，尤其是在缺乏熟练医生的偏远地区。诊断四种心脏瓣膜疾病的平均准确性，灵敏度，特异性和F 1得分分别为98.75％，96.88％，99.22％和97.99％。TE计算机辅助诊断系统，具有心脏声音获取模块，诊断模型和软件，可以可视化心脏声波并显示参考诊断结果。可以帮助诊断心脏瓣膜疾病，尤其是在缺乏熟练医生的偏远地区。
使用机器学习的暴力检测
计算机工程系Sanghavi工程学院，Varvandi，Nashik摘要 - 暴力行动识别在自动化视频监视系统的开发中起着关键作用。虽然先前的研究主要依赖于手工制作的特征探测器，但最近的查询探讨了基于学习的表示模型，以实现更高的精度。但是，这些技术在有效学习区分特征时面临挑战，尤其是在具有突然摄像机运动的视频中。利用基于深度表示的方法在图像识别和人类行动检测任务中的成功，本文提出了一种基于深度代表的模型，利用转移学习进行暴力场景检测。所提出的方法的表现优于最先进的精度，在曲棍球和电影基准数据集上分别达到99.28％和99.97％的精度。通过学习最歧视的特征，该模型在识别监视视频中的侵略性人类行为方面表现出了卓越的表现。关键字：暴力检测，战斗识别，监视视频，Deep CNN，Googlenet，转移学习。
基于 CNN 的提高脑肿瘤图像分类准确率的方法 A. Muis a、S. Sunardi *b、A. Yudhana b
脑瘤是世界上最致命的疾病之一。这种疾病可以攻击任何人，无论性别或特定年龄段。脑瘤的诊断是通过手动识别计算机断层扫描或磁共振成像的图像进行的，因此可能会发生诊断错误。此外，可以使用活检技术进行诊断。这种技术非常准确，但需要很长时间，大约 10 到 15 天，并且需要大量设备和医务人员。基于此，需要能够根据 MRI 生成的图像进行分类的机器学习技术。这项研究旨在提高以前研究对脑瘤分类的准确性，从而避免在脑瘤诊断中出现错误。本研究使用的方法是使用 AlexNet 和 Google Net 架构的卷积神经网络。这项研究的结果显示，AlexNet 架构的准确率为 98%，GoogleNet 的准确率为 96%。与以前的研究相比，这个结果更高。这一发现可以减少模型训练期间的计算负担。该研究成果可以帮助医生快速准确地诊断脑肿瘤。
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。
人工智能中的不确定性：评估外部深度神经网络
随着 AI 模型越来越多地部署在关键应用中，确保模型在暴露于分布不均 (OOD) 或扰动数据等异常情况时保持一致的性能非常重要。因此，本文研究了各种深度神经网络（包括 ResNet-50、VGG16、DenseNet121、AlexNet 和 GoogleNet）在处理此类数据时的不确定性。我们的方法包括三个实验。首先，我们使用预训练模型对通过 DALL-E 生成的 OOD 图像进行分类，以评估其性能。其次，我们使用概率平均从模型的预测中构建了一个集合，以达成共识，因为它比多数或多数投票更具优势。使用平均概率、方差和熵指标量化集合的不确定性。我们的结果表明，虽然 ResNet-50 是 OOD 图像最准确的单一模型，但该模型组合的表现更佳，可以正确分类所有图像。第三，我们通过向来自 DALL-E 或真实世界捕获的新认知图像添加扰动（过滤器、旋转等）来测试模型的稳健性。选择 ResNet-50 是因为它是性能最佳的模型。虽然它可以正确分类 5 张未受干扰的图像中的 4 张，但在扰动后它对所有图像都进行了错误分类，这表明存在很大的漏洞。这些错误分类对人类观察者来说很明显，凸显了 AI 模型的局限性。使用显着性图，我们确定了模型认为对其决策很重要的图像区域。
使用基于堆栈的CNN-LSTM模型的先天性心脏病检测深度学习技术：一项试验研究
产前干预可以降低产后认真的冠心病患者的风险，但目前的诊断是基于定性标准，这可能导致临床医生之间的诊断差异。目的：使用深度学习模型检测患有低塑性左心脏综合征（HLHS）胎儿的心脏超声（US）视频的形态和时间变化。招募了一小部分健康和13名HLHS患者，并收集了三个妊娠时间点的超声视频。对视频进行了预处理并分段到心脏周期视频，并培训了五个不同的深度学习CNN-LSTM模型（Mobilenetv2，Resnet18，Resnet15，Resnet50，Densenet121和Googlelenet）。最佳表现的三个模型用于开发一种新型的堆叠CNN-LSTM模型，该模型是使用五倍的交叉验证对HLHS和健康患者进行分类的训练。堆叠CNN-LSTM模型的准确性，精度，敏感性，F1得分和90.5％，92.5％，92.5％，92.5％，92.5％和85％的精度，精度，敏感性，F1得分和特异性的准确性，精度，敏感性，F1得分和特异性分别优于其他预先训练的CNN-LSTM模型，分别是视频范围的分类以及90级分类和92。使用超声视频的主题分类分别为92.5％，92.5％和85％。这项研究表明，使用深度学习模型使用超声视频对CHD产前患者进行分类的潜力，该视频可以在临床环境中对疾病的客观评估进行分类。
DeepTumor：脑 MR 图像分类、分割和肿瘤检测框架
摘要：由于人脑的敏感性，从图像中正确分割脑肿瘤对于患者和医务人员都非常重要。手术干预需要医生非常谨慎和精确地瞄准大脑所需的部位。此外，分割过程对于多类肿瘤分类也很重要。这项工作主要集中在脑磁共振图像处理的三个主要领域进行分类和分割，即：脑磁共振图像分类、肿瘤区域分割和肿瘤分类。提出了一个名为DeepTumor的框架，用于将多阶段多类胶质瘤肿瘤分类为四类；水肿、坏死、增强和非增强。对于脑磁共振图像二元分类（肿瘤和非肿瘤），提出了两个深度卷积神经网络 (CNN) 模型用于脑磁共振图像分类； 9层模型，共有217,954个可训练参数，以及一个改进的10层模型，共有80,243个可训练参数。在第二阶段，提出了一种基于增强模糊C均值（FCM）的技术用于脑MRI图像中的肿瘤分割。在最后阶段，提出了一个增强的CNN模型3，该模型具有11个隐藏层，共有241,624个可训练参数，用于将分割后的肿瘤区域分为四个胶质瘤肿瘤类。实验使用BraTS MRI数据集进行。将提出的CNN模型用于二分类和多类肿瘤分类的实验结果与现有的CNN模型（如LeNet，AlexNet和GoogleNet）以及最新文献进行了比较。
一种受人工智能启发的用于脑电图的时空神经网络......
摘要：准确识别人类的情绪状态对于高效的人机交互 (HRI) 至关重要。因此，我们见证了人们在开发基于各种生物信号的稳健且准确的脑机接口模型方面所做的大量研究。特别是，先前的研究表明，脑电图 (EEG) 可以深入了解情绪状态。最近，研究人员提出了各种手工制作的深度神经网络 (DNN) 模型来提取与情绪相关的特征，这些模型对噪声的鲁棒性有限，从而导致精度降低和计算复杂度增加。迄今为止开发的 DNN 模型被证明可有效提取与情绪分类相关的稳健特征；然而，它们巨大的特征维数问题导致了高计算负荷。在本文中，我们提出了一个混合深度特征袋 (BoHDF) 提取模型，用于将 EEG 信号分类到各自的情绪类别中。通过在特征提取阶段之前将 EEG 信号转换为 2D 频谱图，BoHDF 的不变性和鲁棒性得到进一步增强。这种时频表示与 EEG 模式的时变行为非常吻合。在这里，我们建议将 GoogLeNet 全连接层（最简单的 DNN 模型之一）的深度特征与我们最近开发的基于纹理的 OMTLBP_SMC 特征相结合，然后使用 K 最近邻 (KNN) 聚类算法。在 DEAP 和 SEED 数据库上进行评估时，所提出的模型分别实现了 93.83% 和 96.95% 的识别准确率。使用所提出的基于 BoHDF 的算法的实验结果显示，与之前报道的具有类似设置的工作相比，性能有所提高。
Liu, Junxiu, Li, Mingxing, Luo, Yuling, Yang, Su ORCID: https://orcid.org/0000-0002-6618-7483, Li, Wei and Bi, Yifei (2021) Alzheimer's disease detect
摘要：为了诊断阿尔茨海默病 (AD)，人们采用了磁共振成像等神经成像方法。深度学习 (DL) 在计算机视觉方面的最新进展进一步激发了对机器学习算法的研究。然而，这些算法的一些局限性，例如需要大量的训练图像和强大的计算机，仍然阻碍了基于机器学习的 AD 诊断的广泛使用。此外，大量的训练参数和繁重的计算使得 DL 系统难以与移动嵌入式设备（例如手机）集成。对于使用 DL 进行 AD 检测，目前大多数研究仅侧重于提高分类性能，而很少有研究获得更紧凑、复杂度更低、识别准确率相对较高的模型。为了解决这个问题并提高 DL 算法的效率，本文提出了一种用于 AD 分类的深度可分离卷积神经网络模型。本文使用深度可分离卷积 (DSC) 来代替传统的卷积。与传统神经网络相比，所提出的神经网络的参数和计算成本大大降低。与传统神经网络相比，所提出的神经网络的参数和计算成本显著降低。由于其低功耗，所提出的模型特别适合嵌入移动设备。实验结果表明，基于 OASIS 磁共振成像数据集的 DSC 算法在 AD 检测方面非常成功。此外，本文还采用了迁移学习来提高模型性能。使用两个训练有素的复杂网络模型 AlexNet 和 GoogLeNet 进行迁移学习，平均分类率分别为 91.40%、93.02%，功耗更低。