XiaoMi-AI文件搜索系统
World File Search SystemInceptionV3
使用 X 射线手部图像进行基于人工智能的年龄估计
骨龄评估有多种用途。它可以帮助儿科医生预测生长、青春期开始、识别疾病，并评估缺乏适当身份证明的人是否是未成年人。这是一个耗时的过程，也容易出现观察者内差异，从而导致许多问题。本论文尝试通过使用不同的物体检测方法来检测和分割对评估具有解剖学重要性的骨骼，并使用这些分割的骨骼来训练深度学习模型来预测骨龄，从而改善和加快骨龄评估。使用了一个包含 12811 张婴儿至 19 岁人群的 X 射线手部图像的数据集。在第一个研究问题中，我们比较了三种最先进的物体检测模型的性能：Mask R-CNN、Yolo 和 RetinaNet。我们选择了性能最佳的模型 Yolo，以分割数据集中指骨的所有生长板。我们继续使用分割和未分割的数据集训练四种不同的预训练模型：Xception、InceptionV3、VGG19 和 ResNet152，并比较了性能。我们使用未分割和分割的数据集都取得了良好的结果，尽管使用未分割的数据集的性能略好。分析表明，通过增加腕骨、骨骺和骨干的生长板检测，我们可能能够使用分割数据集实现更高的准确率。性能最佳的模型是 Xception，使用未分割的数据集实现了 1.007 年的平均误差，使用分割的数据集实现了 1.193 年的平均误差。
开发使用转移学习方法Kasnanda 1 Star，Helmi Imaduddin 2
糖尿病性视网膜病（RD）是糖尿病的严重并发症，可能会损害视网膜并威胁视力。早期发现RD对于防止进一步的眼睛损害非常重要。为了增加这种早期检测，深度学习技术，尤其是CNN方法，已被广泛使用。本研究旨在在视网膜图像分类中实施和比较四种不同CNN体系结构的性能，即Resnet152v2，Xception，Denset201和InceptionV3，以检测RD。首先，将数据集视网膜图像分为感染RD的类别和不感染的类别。然后，使用培训数据开发和培训CNN模型以对图像进行分类。使用数据增强技术有助于增加模型的概括。训练模型后，使用单独的测试数据集进行测试以评估每个模型的性能。测试结果表明，Xception和Denset201在检测RD方面具有出色的性能，精度，精度，召回和F1得分达到96％。该评估的结果证实，深度学习技术，尤其是以CNN的形式，在支持医学诊断方面具有巨大的潜力，尤其是在检测复杂的眼睛（例如RD）方面。这些模型的使用可以为RD患者带来重大好处，从而可以更有效的早期文本和更及时的处理。抽象的糖尿病性视网膜病（DR）是糖尿病的严重并发症，可能会对视网膜造成损害并威胁视力。丹根·德米基安（Div），Penelitian Ini成员Kontribusi penting Dalam Pengembangan solusi otomatis untuk untuk诊断RD，Yang Dapat Mening-Katkan Perawatan kehatan kesehatan kesehatan kesehatan mata secara secara secara secara secara secara secara secara keseluruhan。早期发现RD对于防止进一步的眼睛损害非常重要。为了改善这种早期检测，深度学习技术，尤其是CNN方法已被广泛使用。本研究旨在在视网膜图像分类中实施和比较四种不同CNN体系结构的实现，即Resnet152v2，Xception，Densenet201和IntectionV3。首先，将视网膜图像数据集分为RD感染和非RD感染类别。然后，使用训练数据来开发和培训CNN模型以对图像进行分类。使用数据增强技术有助于改善模型的概括。训练模型后，使用单独的测试数据集进行测试以评估每个模型的性能。测试结果表明，Xception和Densenet201在检测RD方面具有出色的性能，精度，精度，召回和F1得分达到96％。此评估的结果证实，深度学习技术，尤其是以CNN的形式，在支持医学诊断方面具有巨大的潜力，尤其是在检测复杂的眼部疾病（例如RD）方面。使用这些模型可以为RD患者带来重大益处，从而实现更多效率的早期检测和更及时的治疗。因此，这项研究为RD诊断的自动解决方案的开发做出了重要贡献，这可以改善整体眼保健。
传染病检测的新范式
人工智能（AI）正在彻底改变医疗诊断的问题的问题，该问题存在持久的问题，包括早期疾病，大量数据不足和诊断过程无效。本综述在开发ML技术方面表现出了很大的进展，包括蒙基太检测，结核病和癌症诊断。CNN在诊断方面表现出很高的效率；即使是临床医生的转移学习模型InceptionV3，也可以达到99.87％的诊断。作为保护隐私的解决方案，联合学习模型可在不增加单个数据的暴露范围的情况下提高诊断准确性，而从高分辨率技术（例如HIP-CT）得出的合成数据集（例如HIP-CT）通过改善模型构建和评估来帮助解决数据稀缺。基因组和代谢组整合的杂种有助于增强诊断准确性度量，尤其是对于Covid-19的复杂疾病，由于使用多种生物学信息的预后性能指标增加，因此对于Covid-19的复杂疾病。然而，即使在现代社会中，很少有问题出现：由于缺乏数据，尤其是对于罕见条件，该模型的概括是一个问题，并且大多数ML模型的计算能力需求提高了在低资源环境中实施的问题。融合了算法偏见和“黑匣子”概念的重大道德问题，这是一个可解释的AI（XAI）框架的必要条件，以提供医疗设施的可见性和信誉。开发中可能的方向，例如框架的标准化，增强计算支持以及不同领域的集成，提供了解决这些挑战的方法。解决时，这些挑战会通过ML技术告知的合适而可扩展的方法来改善全球医疗保健，这些方法与患者的需求保持一致，从而提供更好的实践，从而获得更好的健康。
基于深度学习的分类，使用 MRI 图像检测阿尔茨海默病
阿尔茨海默病是一种常见的痴呆症，可导致认知功能和日常生活活动出现严重问题。尽管目前还没有阿尔茨海默病的明确治疗方法，但早期诊断对于减缓可能出现的不利状况和改善生活质量非常重要。由于人工智能技术的发展及其在不同领域的持续应用，机器学习技术有可能在阿尔茨海默病的检测中发挥重要作用。特别是基于深度学习的方法，它们能够自动从复杂模式中提取模式，在这一领域很有前景。最近的研究表明，使用深度学习模型对图像进行阿尔茨海默病检测正变得越来越普遍。除了有助于疾病的早期诊断外，这些模型还显示出通过分析磁共振图像中的症状来检测疾病的不同阶段的潜力。这些发展使得为患者开发更有效的治疗方法成为可能。然而，还需要更多的研究来评估这些技术在临床应用中的有效性和安全性。本研究使用 MobileNetV2、InceptionV3、Xception、Vgg16 和 Vgg19 模型对公开共享的阿尔茨海默病数据集进行了疾病诊断分类研究，该数据集包含 6400 个不同的样本和 4 个不同的类别。MobileNetV2 模型的准确率计算为 99.92%。将本研究中使用的模型的性能与文献中的类似研究进行了比较，并根据不同的指标报告了它们的性能。在使用的五种不同模型中，MobileNetV2 的准确率最高，为 99.92%。结论是，实验研究中使用的架构通常比文献中的类似研究产生更好的结果。
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。
深度卷积神经网络的合奏比董事会认证的眼科医生更准确和可靠，在视网膜眼底照片中检测多种疾病
摘要旨在开发一种算法，以准确可靠地从眼底照片中对多种视网膜病理进行分类，并验证其针对人类专家的绩效。方法，我们训练了一个深卷积合奏（DCE），这是五个卷积神经网络（CNN）的集合，将视网膜眼底照片分类为糖尿病性视网膜病（DR），青光眼，与年龄相关的黄斑变性（AMD）和正常眼睛。CNN体系结构基于InceptionV3模型，并且在Imagenet数据集上预估计了初始权重。我们使用了来自12个公共数据集的43 055底面图像。然后在100张图像的“看不见”集上测试了五个训练有素的合奏。要求七位认证的眼科医生对这些测试图像进行分类。结果认证的眼科医生在所有类别中达到72.7％的平均准确性，而DCE的平均准确性为79.2％（p = 0.03）。与眼科医生相比，DCE对DR分类的平均F1得分平均得分更高（76.8％vs 57.5％； P = 0.01），但在统计学上更高，但统计学上不显着的F1得分的F1得分（83.9％vs 75.7％； P = 0.10）和正常（85.9％vs; amd; 85.9％vs; （73.0％vs 70.5％; p = 0.39）。DCE在准确性和自信之间具有更大的平均一致性，而自信为81.6％vs 70.3％（p <0.001）。讨论我们开发了一个深度学习模型，发现与董事会认证的眼科医生相比，它可以更准确，可靠地对四类眼底图像进行分类。这项工作提供了算法能够仅使用眼底照片对多种视网膜疾病进行准确和可靠的识别的原则证明。
基于学习的深度巷道维护辅助系统...
摘要 - 本文提出了专门为自动驾驶汽车设计的高级车道保管援助系统。提出的模型将强大的Xeption网络与转移学习和微调技术相结合，以准确预测转向角度。通过分析摄像机捕获的图像，该模型有效地从人类驾驶知识中学习，并提供了对安全车道保持所需的转向角度的精确估计。转移学习技术允许模型利用从Imagenet数据集获得的广泛知识，而微型调整技术则用于根据输入图像来指导角度预测的特定任务来定制预训练的模型，从而实现最佳性能。微调是通过最初冷冻预训练的模型并仅训练前10个时期的完全连接（FC）层来开始的。随后，整个模型涵盖了主链和FC层，以进行进一步的训练。为了评估系统的有效性，对包括NVIDIA，MOBILENETV2，VGG19和InceptionV3在内的流行现有模型进行了全面的比较分析。评估包括基于损耗函数的操作准确性的评估，特别是利用了平方误差（MSE）方程。所提出的模型实现了训练和验证的最低损耗函数值，证明了其出色的预测性能。这种实际评估提供了对模式的可靠性及其有效协助行驶任务的潜力的宝贵见解。此外，通过对预设计的轨迹和地图进行广泛的现实世界测试进一步评估了该模型的性能，从而导致转向角度远离所需轨迹的最小偏差。关键字 - 行长辅助，自动驾驶汽车，X CEPTION，转移学习，微调，转向角度预测