XiaoMi-AI文件搜索系统
World File Search SystemNet1
改进的ResNet152v2：使用基于迁移学习的方法对脑卒中进行二分类和混合分割
摘要简介：当脑血管破裂时，大脑会受到一种称为中风的疾病的伤害。当大脑的血液和其他营养物质流动中断时，可能会出现症状。世界卫生组织 (WHO) 声称，中风是全球致残和死亡的主要原因。通过及早发现中风的不同警告症状，可以减轻中风的严重程度。可以使用计算机断层扫描 (CT) 图像快速诊断脑中风。虽然专家们正在研究每一次脑部 CT 扫描，但时间过得很快。这种情况可能会导致治疗延迟和错误。因此，我们专注于使用有效的迁移学习方法进行中风检测。材料和方法：为了提高检测准确性，使用 Red Fox 优化算法 (RFOA) 对大脑中风影响的区域进行分割。然后使用高级 Dragonfly 算法进一步处理处理后的区域。分割后的图像提取包括形态学、小波特征和灰度共生矩阵 (GLCM)。然后使用修改后的 ResNet152V2 对正常和中风图像进行分类。我们使用脑卒中 CT 图像数据集使用 Python 进行测试以进行实施。结果：根据性能分析，所提出的方法优于其他深度学习算法，实现了 99.25% 的最佳准确度、99.65% 的灵敏度、99.06% 的 F1 分数、99.63% 的精确度和 99.56% 的特异性。结论：所提出的基于深度学习的分类系统在考虑性能标准的所有输入预测模型中返回最佳解决方案，并提高了系统的功效；因此，它可以更好地帮助医生和放射科医生诊断脑中风患者。
Sub3DNet1.0：区域尺度三维地下结构测绘的深度学习模型
摘要：本研究介绍了一种基于卷积神经网络的高效深度学习模型，该模型结合了联合自编码器和对抗结构，用于从二维地表观测数据进行三维地下测绘。该方法被用于描绘澳大利亚沙漠景观中的古河谷。该神经网络在 6400 平方公里的区域内进行训练，使用地表地形作为二维输入，使用航空电磁 (AEM) 得出的古河谷存在概率图作为三维输出。训练后的神经网络在 99% 的训练域内平方误差 < 0. 10，在 93% 的验证域内平方误差 < 0. 10，表明它在重建训练区域以外的三维古河谷模式方面是可靠的。本研究设计的神经网络结构和训练算法由于其通用结构，具有广泛的应用潜力，可以从二维地表观测数据构建三维地质特征（如矿体、含水层）。