XiaoMi-AI文件搜索系统
World File Search SystemVGG16
UNet-VGG16 结合迁移学习实现基于 MRI 的脑肿瘤分割
脑瘤是一种致命疾病，在医学手术中需要高精度。脑瘤检测可以通过磁共振成像（MRI）进行。MRI 脑瘤图像分割旨在将肿瘤区域（作为感兴趣区域或 ROI）与健康大脑分开，并提供肿瘤的清晰边界。本研究使用具有新架构的全卷积网络 UNet-VGG16 对 ROI 和非 ROI 进行分类。该模型或架构是 U-Net 和 VGG16 的混合体，并通过迁移学习简化了 U-Net 架构。该方法在学习数据集中的准确率高达 96.1% 左右。验证是通过计算正确的分类率（CCR）并将分割结果与基本事实进行比较来完成的。CCR 值表明，该 UNet-VGG16 可以识别脑瘤区域，平均 CCR 值约为 95.69%。
用于高级图像分析的人工智能
图 4：(a) 高压冷冻的 HeLa 细胞 FIB-SEM 体积切片。样品由 EMBL 的 Anna Steyer 和 Yannick Schwab 提供。(b) 传统机器学习的分割结果。使用在预训练的 VGG16 模型中应用第一个卷积层获得的特征来训练随机森林算法。该模型使用 ZEISS ZEN 软件中的 AI 工具包进行训练。(c) 该图描绘了与 (b) 相同的结果，不同之处在于使用条件随机场清理了输出以去除孤立像素。虽然分割能够检测到来自线粒体的大多数像素，但无法识别这些物体中的大量像素，因此很难将它们与背景完全区分开来。此外，大量非线粒体像素被错误地标记为线粒体。
锻造图像检测的机器学习方法
抽象图像伪造检测是数字取证的关键领域，试图发现图像中的受操纵区域以确保其真实性和完整性。本研究研究了机器学习技术的使用，尤其是用于图像欺诈检测的卷积神经网络。建议的方法涉及训练分类器，以使用提取的功能或补丁区分原始图像和假冒图像。图像数据集分为本研究中的训练和测试集，以促进与原始图像相对应的贴片上的CNN培训。然后使用其他测试集评估了受过训练的模型识别假冒区域的准确性。为了衡量基于CNN的伪造检测系统的有效性，使用了评估标准，例如准确性，精度和召回率。使用调谐参数的VGG16网络实现了99.15％的精度。
使用机器学习技术从视野图像中进行的青光眼检测和分阶段
从119个正常和146头胶状眼睛收集了265个PD图和265个数值数据集24-2个VF图像，以训练DL模型，以将图像分为四组：正常，青光眼，早期的青光眼，中度青光眼，中度青光眼和高级Glau-coma。使用五倍的交叉验证（CV）训练PD图像的两种流行的预训练的DL模型：RESNET18和VGG16，并使用平衡的，预先提高的数据（n = 476张图像），不平衡的原始数据（n = 265）和功能提取观察到性能。使用Grad-CAM视觉ization技术进一步研究了受过训练的图像。此外，从全局指数（MD），模式标准偏差（PSD）和视野索引（VFI）训练了四个ML模型：模式标准偏差（PSD）和视野索引（VFI）。
增强大脑MRI图像分类
收到：2024年10月1日，手稿号IJCMI-24-156541;编辑分配：2024年10月3日，PREQC No.p-156541;审查：2024年10月17日，QC号Q-156541;修订：2024年10月23日，手稿号R-156541;发布：2024年10月30日，doi：10.4172/ 2376-0249.1000982 *通讯作者：澳大利亚托伦斯大学托伦斯大学电气工程系安吉丽娜·卡拉马扎（Angelina Caramazza），澳大利亚阿德莱德（Adelaide）电子邮件：Angelinaaramazza@ osm.edu引用：Caramazza A.（2024）增强大脑MRI图像分类：将VGG16和RESNET50与多重优化方法组合在一起。int J Clin Med Imaging 11：982。版权所有：©2024 Caramazza A.这是根据Creative Commons归因许可条款分发的开放访问文章，只要原始作者和来源被记住，它允许在任何媒介中进行无限制的使用，分发和复制。
脑肿瘤检测：深度综合研究...
对于其他机器学习模型，朴素贝叶斯的准确率达到 68.62%，而 SVM（支持向量机）的准确率达到 60.78%。同样，决策树模型的准确率也达到 68.62%。另一种集成技术 Bagging 的准确率达到 66.66%。有趣的是，结合预训练的 VGG-16 和 InceptionV3 模型的混合模型的准确率达到 68.92%。结果表明，卷积神经网络 (CNN) 是最成功的方法，在 MRI 扫描中实现脑肿瘤检测的最高准确率（86.27%）。这表明 CNN 特别擅长学习隐藏在 MRI 图像数据中的关键模式。关键词：磁共振成像 (MRI)、深度学习、卷积神经网络 (CNN)、多层感知器 (MLP)、迁移学习、InceptionV3、特征提取、主成分分析 (PCA)、准确度、VGG16、逻辑回归、随机森林、Ada Boosting、朴素贝叶斯、SVM、决策树、Bagging
功能性神经网络：用于功能数据的换档模型，并具有脑电图分类的应用程序
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
![arxiv：2301.05869v2 [cs.lg] 2023年8月10日](/simg/4\47b0820a8bbd0dc424d1af53abb30fd5ef096fab.webp)
arxiv：2301.05869v2 [cs.lg] 2023年8月10日
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。