XiaoMi-AI文件搜索系统
World File Search SystemInceptionResnetV2
基于学习的深度学习诊断猫型心肌病
猫型心肌病（HCM）是一种常见的心脏病，影响了所有猫的10-15％。带有HCM的猫表现出呼吸困难，嗜睡和心杂音；此外，猫HCM也可能导致猝死。在各种方法和指数中，射线照相和超声检查是猫HCM诊断的黄金标准。但是，仅使用射线照相就只能达到75％的精度。因此，我们使用231个猫（143 hcm和88 normal）的腹侧放射线图培训了五个残留体系结构（Resnet50V2，Resnet152，InceptionResnetV2，MobilenEtV2和Xception），并研究了用于诊断Finely Finely HCM HCM的最佳体系结构。为了确保数据的普遍性，X射线图像是从5个独立机构获得的。此外，测试中使用了42张图像。测试数据分为两个；在预测分析中使用了22片射线照相图像，并在评估窥视现象和投票策略的评估中使用了20个X射线照相图像。结果，所有模型的精度> 90％； RESNET50V2：95.45％； Resnet152：95.45; InceptionResnetv2：95.45％； Mobilenetv2：95.45％和Xception：95.45。此外，将两种投票策略应用于五个CNN模型； SoftMax和多数投票。因此，SoftMax投票策略在合并的测试数据中达到了95％的精度。我们的发现表明，使用残留体系结构的自动学习系统可以帮助兽医放射科医生筛选HCM。
转移学习的潜力和DIACNN模型
糖尿病性视网膜病（DR）是视力障碍的重要原因，表明对早期检测的关键需求和及时干预以避免视觉恶化。诊断DR本质上是复杂的，因为它需要通过经验丰富的特殊IST对复杂的视网膜图像进行细致的检查。这使得对DR的早期诊断对于有效治疗和预防最终失明必不可少。传统的诊断方法，依靠人类对这些医学图像的解释，就准确性和效率而言面临挑战。在本研究中，我们引入了一种新颖的方法，与这些传统方法相比，通过采用先进的深度学习技术，该方法在DR诊断方面具有优异的精度。这种方法的核心是转移学习的概念。这需要我们先前存在的，完善的模型，特别是InceptionResnetV2和InceptionV3，以提取功能和微调选择层，以满足此特定诊断任务的独特要求。同时，我们还提出了一个新设计的模型Diacnn，该模型是针对眼部疾病的分类而定制的。验证提出方法的功效，我们
摘要
muhtarom ahkam maulana脑肿瘤是脑细胞在脑组织中生长和发育时的疾病。可以通过身体检查和手动诊断来对医生检测脑肿瘤。手动诊断有局限性，即误诊的可能性。对计算机视觉的发展已应用于脑肿瘤图像的分类。这项研究使用深度学习对脑肿瘤图像进行了分类，正是基于卷积神经网络（CNN）的转移学习方法。用于传输学习的预训练模型为Densenet121，InceptionResnetv2，MobilenetV2，NasnetMobile和Resnet50v2。数据集包含7020个图像，其中包含四个类别：神经胶质瘤，脑膜瘤，垂体和从Kaggle获得的无肿瘤。使用预训练模型的几种情况进行了测试，该模型用于超参数辍学率和已经调整的密集单元。使用平均精度，平均精度，平均灵敏度和平均特异性构建的模型评估。评估结果表明，表现最佳的模型的准确性为97.70％，损失为0.066。这些结果在混乱矩阵中说明了，该矩阵表明该模型可以很好地对脑肿瘤图像进行分类。关键字：分类，转移学习，脑肿瘤，卷积神经网络。
使用光学相干断层扫描图像
抽象背景/旨在应用深度学习技术来开发人工智能（AI）系统，该系统可以根据光学相干断层扫描（OCT）黄斑图像来识别高近视患者的威胁性疾病。在这项横截面前瞻性研究中，从2012年至2017年开始，从1048名高山眼科中心（ZOC）获得的1048名近视患者获得了5505个合格的OCT黄斑图像，以开发AI系统。独立测试数据集包括从2019年1月至2019年5月在ZOC招募的91名近视患者获得的412张图像。我们采用了InceptionResnETV2体系结构来训练四个独立的卷积神经网络（CNN）模型，以识别高近视的以下四种威胁性的危及危险状况：视网膜菌，黄斑孔，视网膜脱离和病理肌反应型脉络膜脉络膜化。焦点损失用于解决类不平衡，并根据Youden指数确定最佳的操作阈值。在独立的测试数据集中结果，在所有条件下，接收器操作特征曲线下的区域均高（0.961至0.999）。我们的AI系统的敏感性等于甚至比视网膜专家的敏感性以及高特异性（大于90％）。此外，我们的AI系统为热图提供了透明且可解释的诊断。结论我们使用OCT黄斑图像来开发CNN模型来识别高近视患者的视力威胁性疾病。我们的模型具有可靠的敏感性和高特异性，可与视网膜专家相当，并且可以用于大规模的近视筛查和患者随访。
基于转移学习技术的端到端轮胎缺陷检测模型
抽象的视觉检查有缺陷的轮胎后期生产对于人体安全至关重要，因为故障轮胎会导致爆炸，事故和生命损失。随着技术的进步，转移学习（TL）在许多计算机视觉应用中起着影响的作用，包括轮胎缺陷检测问题。但是，自动轮胎缺陷检测很难有两个原因。首先是复杂的各向异性多纹理橡胶层的存在。第二，没有用于缺陷检测的标准轮胎X射线图像数据集。在这项研究中，使用来自全球轮胎公司的新数据集提出了基于TL的轮胎缺陷检测模型。首先，我们收集并标记了数据集，该数据集由3366个X射线图像和20,000张合格轮胎的图像组成。尽管数据集涵盖了15种由不同的设计模式引起的缺陷，但我们的主要重点是二进制分类以检测缺陷的存在或不存在。该具有挑战性的数据集分别分别为70％，15％和15％的培训，验证和测试。然后，对提出的数据集进行了调整，训练和测试的九个常见的预训练模型。这些模型是Xception，InceptionV3，VGG16，VGG19，Resnet50，resnet152v2，densenet121，InceptionResnetv2和MobilenetV2。结果表明，精细的VGG19，Densenet21和InceptionNet模型获得了与文献的兼容结果。此外，在召回，精度，准确性和F1分数方面，Xception模型优于比较的TL模型和文献方法。此外，它在测试数据集73.7、88、80.2和94.75％的召回，精度，F1分数和准确性的94.75％以及验证数据集73.3、90.24、80.9和95％的召回召回，精度，F1分数和精度分别实现。
NeuroInsight：一种革命性的自适应框架，用于医学成像中精确的脑肿瘤分类，使用自适应深度学习
摘要 - 本研究提出了一个强大的脑肿瘤分类框架，首先是对 233 名患者的细致数据整理。该数据集包含各种 T1 加权对比增强图像，涵盖脑膜瘤、神经胶质瘤和垂体瘤类型。采用严格的组织、预处理和增强技术来优化模型训练。所提出的自适应模型采用了一种尖端算法，利用了自适应对比度限制直方图均衡化 (CLAHE) 和自适应空间注意。CLAHE 通过根据每个区域的独特特征调整对比度来增强灰度图像。通过注意层实现的自适应空间注意动态地为空间位置分配权重，从而增强对关键大脑区域的敏感性。该模型架构集成了迁移学习模型，包括 DenseNet169、DenseNet201、ResNet152 和 InceptionResNetV2，从而提高了其稳健性。 DenseNet169 充当特征提取器，通过预训练权重捕获分层特征。批量归一化、dropout、层归一化和自适应学习率策略等组件进一步丰富了模型的适应性，减轻了过度拟合并在训练期间动态调整学习率。技术细节（包括使用 Adam 优化器和 softmax 激活函数）强调了模型的优化和多类分类能力。所提出的模型融合了迁移学习和自适应机制，成为医学成像中脑肿瘤检测和分类的有力工具。它对脑肿瘤图像的细致理解，通过自适应注意力机制的促进，使其成为神经成像计算机辅助诊断的一项有希望的进步。该模型利用具有自适应机制的 DenseNet201，超越了以前的方法，实现了 94.85% 的准确率、95.16% 的精确率和 94.60% 的召回率，展示了其在具有挑战性的医学图像分析领域提高准确率和泛化的潜力。关键词：NeuroInsight、脑肿瘤分类、医学影像、自适应深度学习、自适应框架。1. 简介通过整合最先进的技术，特别是在深度学习领域，医学诊断领域经历了前所未有的进步。这一进步的一个显著例子是使用自适应深度学习进行脑肿瘤分期分类，这是一种新颖的方法，它不仅利用了深度学习的能力，而且还能动态适应脑肿瘤分期固有的复杂性，在诊断中呈现出更高的精确度和个性化水平。在医疗保健领域，脑肿瘤因其表现形式多样、严重程度各异而成为一项艰巨的挑战。传统的肿瘤分类方法经常难以准确描述肿瘤分期的细微细节。在此背景下引入自适应深度学习标志着一种范式转变，它赋予诊断过程一种自学习机制，该机制会随着遇到的每个数据集不断发展和完善自身[1] – [4]。这种开创性方法的基础要素是一种先进的深度学习算法，其特点是动态和自适应性。自适应深度学习方法与典型的深度学习模型不同，它不断修改其参数以响应输入数据的独特特征，而不是依赖于固定的、预定的架构。这种自适应能力确保了对与脑肿瘤分期相关的复杂性的更细致入微和针对具体情况的理解[5] – [7]。