XiaoMi-AI文件搜索系统
World File Search SystemVGG
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。
使用脑电图 (EEG) 和 VGGNet 对儿童工作记忆表现进行分类
摘要 - 本研究调查了儿童脑电图与不同工作记忆表现水平之间的关系。共有 230 名受试者自愿参加这项研究。首先，学生需要回答心理测试以评估他们的工作记忆表现。根据获得的分数，将学生分为高、中、低工作记忆表现组。从前额叶皮层记录静息脑电图并进行预处理以消除噪音。然后生成合成脑电图以平衡并将每个对照组的样本数量增加到 200 个。接下来，应用短时傅立叶变换将信号转换为频谱图。特征图像用于训练 VGGNet 模型。深度学习模型已成功开发，训练准确率为 100%，验证准确率为 85.8%。这些表明使用 EEG 和 VGGNet 模型交替评估工作记忆表现的潜力。
糖尿病性视网膜病变分类的深度学习技术：关注VGG16
地址：Algiers，Algeria电子邮件：rhalimouche@hotmail.fr摘要糖尿病性视网膜病（DR）会影响全球数百万人，提出了严重的眼部状况，需要及时检测和诊断以防止视力障碍并改善患者护理。随着人工智能（AI）的兴起，医学领域已经获得了早期疾病检测的强大工具。 这项研究探讨了AI在早期诊断DR的作用，评估了两个预训练的卷积神经网络（CNN） - VGG16和EfficityNetB0的性能。 这些模型使用传输学习技术进行了微调和调整，以对DR和非DR图像进行分类。 使用来自Kaggle的两个不同数据集，一个包含RGB图像和另一个高斯过滤图像进行评估。 结果表明，在微调后，VGG16的精度为95.21％，而随着人工智能（AI）的兴起，医学领域已经获得了早期疾病检测的强大工具。这项研究探讨了AI在早期诊断DR的作用，评估了两个预训练的卷积神经网络（CNN） - VGG16和EfficityNetB0的性能。这些模型使用传输学习技术进行了微调和调整，以对DR和非DR图像进行分类。使用来自Kaggle的两个不同数据集，一个包含RGB图像和另一个高斯过滤图像进行评估。结果表明，在微调后，VGG16的精度为95.21％，而
低分辨率上的鱼类鉴定 - 一项具有增强的超级分辨率生成对抗网络（ESRGAN），YOLO和VGG -16
迫切需要对摄像机镜头的鱼类物种的智能检测和识别模型，因为填充物有助于世界经济的很大一部分，这些高级模型可以大规模帮助填充。这种包含拾取机器的模型可以有益于在不干预的情况下批量排序不同的鱼类，这显着降低了大规模杂种行业的成本。现有用于检测和识别鱼类物种的方法具有许多局限性，例如有限的可伸缩性，检测准确性，未能检测到多种物种，以较低分辨率降解性能，或者指出了最佳位置的确切位置。可以使用具有预训练的权重的引人注目的深度学习模型的头部，即VGG-16，可用于检测曲面的物种，并通过实现修改的YOLO来找到图像中的确切位置，以结合边界盒回归标题。我们提出了使用ESRGAN算法和提出的神经网络来扩大图像分辨率4的因子。使用此方法，已经获得了96.5％的总体检测准确性。该实验是根据分布在9种的9460张图像的基础上进行的。进一步改进了模型后，可以集成拾取机器以根据其物种在不同大规模的工业中的物种快速分类。
由疫苗接种指南小组（VGG）编制
世界小动物兽医协会 (WSAVA) 疫苗接种指南小组 (VGG) 成立的目的是制定犬猫疫苗接种指南，旨在帮助全球兽医。之前的指南发表于 2007 年、2010 年和 2016 年，在同行评审的科学文献中被引用了数百次，下载了数万次。本文件是这些指南的更新版本。VGG 认识到其建议必须广泛且基于基本的免疫学原理，因为关于犬猫疫苗和疫苗接种的详细建议可能适用于某些国家或地区，但在其他地方可能不太适用。指南旨在为兽医的决策提供广泛的指导。它们不描述强制性或最低护理标准。国家和地区兽医协会以及个体兽医或兽医诊所可以使用这些指南制定适合自己当地情况的疫苗接种计划。尽管如此，VGG 强烈建议所有狗和猫都接种疫苗。这不仅可以保护单个动物，还可以提高“群体免疫力”，帮助最大限度地降低传染病爆发的风险。考虑到这一背景，VGG 将核心疫苗定义为所有狗和猫都应接种的疫苗，考虑到它们的生活方式和居住或旅行的地理区域。一些核心疫苗可以保护动物免受全球分布的潜在危及生命的疾病的侵害，而另一些核心疫苗可以保护动物免受仅在特定国家或地区流行的危及生命的疾病的侵害。世界各地的狗的核心疫苗是预防犬瘟热病毒 (CDV)、犬腺病毒 1 型 (CAV) 和犬细小病毒 2 型 (CPV) 的疫苗。世界各地的猫的核心疫苗是预防猫细小病毒 (FPV)、猫杯状病毒 (FCV) 和猫疱疹病毒 1 型 (FHV) 的疫苗。在世界狂犬病流行的地区，即使没有法律要求，接种狂犬病毒疫苗也应被视为对狗和猫必不可少的（即狂犬病疫苗在这些地方是核心疫苗）。犬钩端螺旋体病是另一种危及生命的人畜共患疾病，广泛分布于世界各地。在犬钩端螺旋体病流行的国家或地区，如果已知相关血清群并且有合适的疫苗可用，则强烈建议对所有犬只接种钩端螺旋体病疫苗，并且这些疫苗应被视为这些地方的核心疫苗。在世界许多地方，猫白血病病毒 (FeLV) 相关疾病是地方性的。在这些地方，FeLV 疫苗应被视为幼猫（<1 岁）和可以外出或与其他可以外出的猫一起生活的成年猫的核心疫苗。VGG 认识到母源抗体 (MDA) 会严重干扰目前大多数幼猫在幼年时期接种的核心疫苗的效力（幼猫可预防 CDV、CAV 和 CPV，幼猫可预防 FPV、FCV 和 FHV）。由于 MDA 水平在窝内和窝间差异很大，VGG 建议每 2 至 4 周给幼猫接种多剂核心疫苗，最后一次接种应在幼猫 16 周龄或以上时进行。在幼猫只能接种一次疫苗的情况下（例如，在成本受限的情况下），应在幼猫 16 周龄以上时接种核心疫苗。建议在 26 周龄或之后重新接种疫苗（而不是等到 12 至 16 个月大），以便及时为少数在 16 周以上接种疫苗时可能仍存在干扰性 MDA 的动物进行免疫接种。VGG 支持从 20 周龄开始使用血清学检测来检测接种疫苗后的血清转化（犬血清转化为 CDV、CAV 和 CPV，猫血清转化为 FPV）。这有助于确认幼年和成年动物的主动免疫保护，有助于优化成年动物的重新接种间隔，在某些情况下，有助于管理收容所中的传染病爆发。疫苗不应不必要地接种。成年动物的核心疫苗接种频率不应超过必要频率。有大量经过同行评审的已发表证据表明，大多数现代改良活病毒 (MLV) 核心疫苗提供的免疫持续时间 (DOI) 为多年。 VGG 将非核心疫苗定义为那些应该强烈推荐给那些由于地理位置和/或生活方式（如室内外活动、家庭中有多只宠物）而有可能感染非核心感染的动物的疫苗。兽医需要与宠物主人进行仔细的沟通，以决定向每位患者推荐哪些非核心疫苗。VGG 将某些疫苗列为不推荐疫苗，因为没有足够的科学证据证明可以在任何地方推荐使用这些疫苗。VGG 没有考虑一些在特定地理区域可用性或适用性非常有限的“次要”疫苗产品。VGG 强烈建议兽医教育客户定期健康检查（通常每年一次，有时更频繁）的价值，而不是谈论“疫苗接种咨询”。年度健康检查不仅仅是一次疫苗接种咨询，尽管它通常包括接种需要每年接种的选定疫苗。大多数非核心疫苗的 DOI 约为 1 年。还鼓励兽医在宠物健康检查前和检查期间接受培训，以改善宠物、主人和兽医人员的体验。Free Fear 培训计划 ( https://fearfreepets.com/fear-free-certification-overview/ ) 和 Cat Friendly 证书计划 ( https://catvets.com/cfp/cat-friendly-certificate-program/ ) 就是例子。VGG 考虑在收容所和庇护所中使用疫苗，再次认识到其中一些设施运营的财务限制。VGG 最低收容所指南规定，进入此类机构的所有狗和猫都应在进入之前或进入时接种核心 MLV 疫苗。在财务允许的情况下，这些机构
利用卷积神经网络的 VGG-16 进行医学...
摘要 — 医学图像分类是医疗保健领域的一个重要关注领域，它涉及准确分类图像中的异常或异常。它需要快速准确的分类以确保对患者进行适当和及时的治疗。本文介绍了一种基于卷积神经网络 (CNN) 的模型，该模型利用 VGG16 架构进行医学图像分类，特别是在脑肿瘤和阿尔茨海默氏症数据集中。VGG16 架构以其提取重要特征的卓越能力而闻名，这对医学图像分类至关重要。为了提高诊断的准确性，进行了详细的实验设置，其中包括精心选择和组织涵盖数据集中不同疾病和异常的医学图像集合。然后调整模型的架构以实现图像分类的最佳性能。结果显示该模型在识别医学图像中的异常方面的效率，尤其是对于脑肿瘤数据集。给出了灵敏度、特异性和 F1 分数评估指标，强调了该模型准确区分各种医学图像疾病的能力。关键词——深度学习、卷积神经网络 (CNN)、VGG-16、医学图像分类。
使用VGG16深度学习算法和Python成像库SulejmanKaramehić1，SamedJukić2
抽象的早期诊断和治疗脑癌取决于脑肿瘤的检测和分类。深度学习算法在包括肿瘤鉴定在内的医学成像应用中产生了惊人的结果。该领域的大部分研究都集中在将CNN算法（如VGG16，DNN和ANN）应用于此问题上。这项工作描述了使用Python Imaging库（PIL）和VGG16深度学习算法对脑肿瘤的识别和分类。由肿瘤类型分类的7000张MRI图片的数据集成为研究的基础。这项研究的主要目的是开发高效的高临界模型。我们建议利用VGG16结构和使用PIL进行预处理图像，以确保在大脑磁共振成像（MRI）图像的大量数据集上进行训练的一致图像。我们在工作中使用的一种新技术是可以分析单个图像并从结果中预测肿瘤的存在的技术。该研究的方法以96％的精度在整个数据集上产生了稳健的肿瘤检测，这表明该方法在诊断出肿瘤的存在时做出明智的决定方面的价值。
使用 VGG16 架构的迁移学习进行皮肤癌分类（Kaggle 数据集案例研究）
皮肤癌是一种严重且可能危及生命的疾病，影响着全球数百万人。早期发现和准确诊断对于成功治疗和改善患者预后至关重要。近年来，深度学习已成为医学图像分析的有力工具，包括皮肤癌的诊断。使用深度学习诊断皮肤癌的重要性在于它能够快速准确地分析大量数据。这可以帮助医生就患者护理做出更明智的决定并改善整体结果。此外，可以训练深度学习模型来识别人眼可能无法看到的细微模式和特征，从而实现更早的发现和更有效的治疗。本研究使用预先训练的视觉几何组 16 (VGG16) 架构对皮肤癌图像进行分类，并将图像转换为其他色阶，称为：1) 色相饱和度值 (HSV)、2) YCbCr、3) 灰度以供评估。结果表明，在现场条件下使用 RGB 和 YCbCr 图像创建的数据集很有前景，分类准确率为 84.242%。还用其他流行的架构对数据集进行了评估和比较。分析了 VGG16 对每个色阶图像的性能。此外，还从不同的层中提取了特征参数。用 VGG16 感受提取的层，以评估特征参数对疾病进行分类的能力。
探索 VGG-16 架构利用深度学习准确检测脑肿瘤的潜力
1 纽约大学坦登工程学院电气与计算机工程系，纽约大学坦登工程学院，纽约，美国 11201 2 马尼帕尔理工学院电子与通信系，马尼帕尔高等教育学院，马尼帕尔，卡纳塔克邦，印度 576104 3 GITAM 大学电子与通信系，Gandhi Nagar，Rushi Konda，维沙卡帕特南，安得拉邦，印度 530045 4 梅奥诊所神经外科系神经信息学实验室，美国明尼苏达州罗切斯特 55905 5 哈佛医学院麻省总医院放射肿瘤学系，美国马萨诸塞州波士顿 02115 6 GLA 大学药物研究所生药学系，马图拉 281406，北方邦，印度 281406
卷积神经网络具有VGG-16胶质瘤分类模型
工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。我们还尝试使用增强技术来预测数据限制。使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。用于培训和测试目的的数据将数据划分为68％和32％。2022。我们发现VGG-16对脑肿瘤图像分类更有效，精度高达100％。关键字 - 分类； MRI;脑肿瘤；神经胶质瘤，CNN； VGG-16。手稿于2022年1月11日收到； 3月23日修订2022; 4月19日接受出版日期，2022年9月30日。国际信息学可视化杂志均在创意共享归因 - 归属共享下的许可。