XiaoMi-AI文件搜索系统
World File Search SystemLeNet
使用LENET 20深度学习体系结构在先前阶段的胎儿心脏异常检测
心脏异常在医学诊断中很重要，传统上通过CT，X射线，CTA和MRI扫描检测到。但是，这些方法通常会产生不确定或错误的结果，从而导致无效的临床建议。本研究的重点是使用超声心脏数据进行胎儿异常预测和分类，旨在克服现有诊断方法的局限性。这项研究的目的是开发一种更可靠的方法来使用深度学习技术检测胎儿心脏异常，特别是利用Lenet 20架构。与常规方法相比，目标是提高胎儿异常检测的准确性和可靠性。实时胎儿超声心脏样本是从海得拉巴NIMS Super Specialty Hospital收集的，并使用OTSU阈值分离等工具进行了预处理。LENET 20卷积神经网络由165层组成，最大池，密集，隐藏和relu层是使用带有Tensorflow，Keras和Scikit-Learn库的Python实现的。通过CSV文件将数据集加载为测试样品，并采用了LENET 20 CNN模型进行分类。所提出的LENET 20 CNN模型比现有的胎儿心脏诊断模型取得了显着改善。关键发现包括98.32％的检测得分，F1得分为98.23％，召回97.89％，准确度为98.32％，灵敏度为97.29％。这些结果表明与以前的方法相比，检测准确性和可靠性卓越。这项研究的结果表明，对先前的胎儿心脏诊断技术有了显着的增强。具体来说，LENET 20 CNN模型在检测准确性和可靠性方面优于现有方法。这项调查通过采用CNN深度学习技术成功地解决了常规胎儿心脏诊断方法的局限性。LENET 20架构是有效的分类器和特征提取器，可以在前阶段准确检测胎儿心脏异常。
有效的深度学习模型，用于隐私保护
摘要医学事物（IOMT）由于当前的AI进步，在医疗保健应用中变得越来越普遍，有助于改善我们的生活质量并确保可持续的卫生系统。具有切割边缘科学能力的IOMT系统能够检测，传输，学习和推理。结果，这些系统在包括脑肿瘤检测在内的一系列医疗保健应用中被证明非常有用。提出了一种基于深度学习的方法，用于鉴定脑肿瘤患者和正常患者的MRI图像。在这种方法中应用了基于形态学的分割方法，以在MRI图像中分离肿瘤区域。综合神经网络，例如LENET，MOBILENETV2，DENSENET和RESNET，是最有效的神经网络。建议的方法适用于从多家医院收集的数据集。使用多种指标评估所提出的方法的有效性，包括准确性，特异性，灵敏度，召回和f得分。根据绩效评估，LENET，MOBILENETV2，DENSENET，RESNET和EFIDENENET的准确性分别为98.7％，93.6％，92.8％，91.6％和91.9％。与现有方法相比，LENET的性能最佳，平均精度为98.7％。
深度学习 - 讲座10：元和流动学习
def __init__（self）：超级（Lenet，Self）。__init__（）self.conv1 = nn.conv2d（1，6，5，填充= 2）self.conv2 = nn.conv2d（6，6，16，5）self.fc1 = nn.linear（16 5 5，120）self.fc2 = nn.linear（fc2
使用深度学习架构进行性别和年龄脑磁共振成像分类
摘要：在磁共振成像 (MRI) 上使用有效的分类技术有助于正确诊断脑肿瘤。先前的研究主要集中在使用支持向量机 (SVM) 和 AlexNet 等方法对正常 (非肿瘤) 或异常 (肿瘤) 脑 MRI 进行分类。在本文中，深度学习架构用于将脑 MRI 图像分类为正常或异常。性别和年龄被添加为更高级的属性，以实现更准确和更有意义的分类。还提出了一种基于深度学习卷积神经网络 (CNN) 的技术和深度神经网络 (DNN) 进行有效分类。还实施了其他深度学习架构，例如 LeNet、AlexNet、ResNet 和传统方法（例如 SVM）来分析和比较结果。年龄和性别偏见被发现更有用并且在分类中起着关键作用，它们可以被视为脑肿瘤分析中的重要因素。值得注意的是，在大多数情况下，所提出的技术都优于现有的 SVM 和 AlexNet。与 SVM（82%）和 AlexNet（64%）相比，总体准确率分别为 88%（LeNet 启发模型）和 80%（CNN-DNN），最佳准确率分别为 100%、92%、92% 和 81%。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
人工智能在运动医学应用的探索性研究
人工智能（AI）是利用大数据、深度学习算法、云计算等技术研究类脑智能的学科[1]，即利用机器解决人类大脑能够解决的问题。人工智能的发展经历了诞生、停滞和复苏的阶段。数据、算法和计算能力是人工智能应用发展的三大关键驱动力，推动了人工智能的快速发展。物联网、社交媒体和移动设备的快速扩张和广泛使用，导致全球生成和存储的数据量急剧增加，为深度学习训练和计算机视觉算法模型提供了源源不断的素材。LeNet 等神经网络模型和优化算法，以及随后的 AlexNet、ResNet、GAN 等改进，不断突破算法精度的界限[2,3]。数据处理速度不再是人工智能发展的瓶颈，而是进一步发展的强大驱动力。随着神经网络的逐步进化，人工智能的计算能力和计算能力正在不断提高，人工智能的发展也因此而蓬勃发展。
计算机科学杂志
摘要 - 脑肿瘤是颅骨内异常质量生长的一般名称，这是由于大脑中细胞续签期间的误差而导致的。从脑肿瘤中丧生的人数每天都在增加。早期诊断对于减少损失的治疗计划和结果至关重要。MRI（磁共振）成像方法广泛用于脑肿瘤诊断并显示大脑中的组织。通过在传统方法中使用MR图像对脑肿瘤进行分类很困难，因为大脑结构及其中的组织很复杂。脑肿瘤分类已被使用，近年来一直很受欢迎并且在分类方面具有很高的准确率。在这项研究中，它的目的是通过比较VGG16，VGG19和MobïLenet深度学习体系结构来确定具有最高精度比率的体系结构。为了增加这些体系结构的成功，将直方图均衡应用于数据库中的图像。所使用的数据集由3590 MR图像组成，由四个脑肿瘤类（神经胶质瘤，脑膜瘤，无肿瘤，垂体）组成。MobileNet由于测试和训练而获得了最高的精度。实验研究表明，直方图均衡通过提高图像质量有助于深度学习结构的性能。关键词：脑肿瘤，图像分类，深度学习
6U 立方体卫星的地球观测任务，分辨率为 5 米，使用卷积神经网络方法进行野火图像分类
摘要：KITSUNE 卫星是一个由 6 个单元组成的立方体卫星平台，主要任务是在低地球轨道 (LEO) 上进行 5 米级地球观测，有效载荷采用 31.4 MP 商用现成传感器、定制光学器件和相机控制板开发。尽管有效载荷是为地球观测而设计的，并以捕捉地面上的人造图案为主要任务，但计划通过卷积神经网络 (CNN) 方法对野火图像进行分类作为次要任务。因此，KITSUNE 将成为第一颗使用 CNN 对 LEO 野火图像进行分类的立方体卫星。在本研究中，卫星上采用了深度学习方法，通过预处理而不是在地面站执行图像处理的传统方法，以减少下行链路数据。 Colab 中生成的预训练 CNN 模型保存在 RPi CM3+ 中，其中，上行链路命令将执行图像分类算法并将结果附加到捕获的图像数据上。地面测试表明，在使用 MiniVGGNet 网络对卫星系统上运行的野火事件进行分类时，它可以实现 98% 的总体准确率和 97% 的 F1 得分成功率。同时，还比较了 LeNet 和 ShallowNet 模型，并在 CubeSat 上实施，F1 得分分别为 95% 和 92%。总体而言，这项研究展示了小型卫星在轨道上执行 CNN 的能力。最后，KITSUNE 卫星将于 2022 年 3 月从国际空间站部署。
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。