XiaoMi-AI文件搜索系统
World File Search SystemRESNET50V2
在精细的...
在2021年，美国有182,520例脑和中枢神经系统（CNS）癌症和2024年的25,400例新病例。通过磁共振成像（MRI）的早期检测可显着改善患者的预后。 这项研究微调一个残留的神经网络50版2（RESNET50V2），一种卷积神经网络（CNN），具有挤压和兴奋（SE）注意机制，以增强基于MRI的肿瘤分类，而不是基本的RESNET50V2模型。 通过合并SE块，该模型改善了特征优先级，有效区分神经胶质瘤（n = 901），脑膜瘤（n = 913），垂体肿瘤（n = 844）和无肿瘤（n = 438）。 经过公开可用的Kaggle数据集（n = 3,096）的培训，提议的模型达到了98.4％的分类精度，并且在接收器操作特性曲线（AUC）下的面积为0.999，其表现优于基本型号的92.6％精度，并且0.987 AUC。 在脑膜瘤（P = 0.013）和垂体肿瘤（p = 0.015）的分类精度中观察到在统计学上显着改善，这突出了SE模型分化肿瘤类型的卓越能力。 SE注意机制通过解决特征提取限制和医学成像中的长距离依赖性来提高诊断精度。 然而，仍然存在诸如数据集大小约束，过度拟合风险和潜在表示偏见之类的挑战。 未来的研究将着重于扩展数据集多样性，探索视觉变压器（VIT）以改善功能提取，并采用生成性对抗网络（GAN）进行数据增强。通过磁共振成像（MRI）的早期检测可显着改善患者的预后。这项研究微调一个残留的神经网络50版2（RESNET50V2），一种卷积神经网络（CNN），具有挤压和兴奋（SE）注意机制，以增强基于MRI的肿瘤分类，而不是基本的RESNET50V2模型。通过合并SE块，该模型改善了特征优先级，有效区分神经胶质瘤（n = 901），脑膜瘤（n = 913），垂体肿瘤（n = 844）和无肿瘤（n = 438）。经过公开可用的Kaggle数据集（n = 3,096）的培训，提议的模型达到了98.4％的分类精度，并且在接收器操作特性曲线（AUC）下的面积为0.999，其表现优于基本型号的92.6％精度，并且0.987 AUC。在统计学上显着改善，这突出了SE模型分化肿瘤类型的卓越能力。SE注意机制通过解决特征提取限制和医学成像中的长距离依赖性来提高诊断精度。然而，仍然存在诸如数据集大小约束，过度拟合风险和潜在表示偏见之类的挑战。未来的研究将着重于扩展数据集多样性，探索视觉变压器（VIT）以改善功能提取，并采用生成性对抗网络（GAN）进行数据增强。
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。
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。