XiaoMi-AI文件搜索系统
World File Search SystemVGG16
深度学习对Al与Att的心脏淀粉样变性MR图像
摘要：这项工作的目的是比较神经网络和经验丰富的人类读者对AL与ATT淀粉样蛋白病的心脏MR形象的分类。研究了120名患者的Cine-MR图像和GADOLIN升高（LGE）的晚期图像（70 Al和50 TTR）。VGG16卷积神经网络（CNN）接受了5倍的交叉验证过程训练，并注意训练组或测试组中给定患者的图像。通过平均每个图像获得的预测，在患者级别进行分析。Cine-CNN在AL和ATT淀粉样变性之间获得的分类精度为0.750，Gado-CNN的分类精度为0.611，人读者在0.617至0.675之间。Cine-CNN的ROC曲线的相应AUC为0.839，GADO-CNN（p <0.004 vs. Cine）为0.679，最佳人类读者的AUC为0.679（p <0.004 vs. Cine）（p <0.714）（p <0.007 vs. Cine）。使用Cine-CNN和Gado-CNN的逻辑回归，以及针对特定取向平面的分析，并未改变整体结果。我们得出的结论是，与Gado-CNN或人类读者相比，Cine-CNN导致AL和ATT淀粉样变性的明显更好地歧视，但是在视觉诊断很容易的研究中，其性能低于所报道的，目前是临床实践的次优。
实现更快更好地转换人工神经网络...
摘要 — 脉冲神经网络 (SNN) 通过离散二进制事件计算和传递信息。在新兴的神经形态硬件中，它被认为比人工神经网络 (ANN) 更具生物学合理性且更节能。然而，由于不连续和不可微分的特性，训练 SNN 是一项相对具有挑战性的任务。最近的工作通过将 ANN 转换为 SNN 在出色性能上取得了实质性进展。由于信息处理方面的差异，转换后的深度 SNN 通常遭受严重的性能损失和较大的时间延迟。在本文中，我们分析了性能损失的原因，并提出了一种新型双稳态脉冲神经网络 (BSNN)，解决了由相位超前和相位滞后引起的失活神经元 (SIN) 脉冲问题。此外，当基于 ResNet 结构的 ANN 转换时，由于快捷路径的快速传输，输出神经元的信息不完整。我们设计了同步神经元 (SN) 来帮助有效提高性能。实验结果表明，与以前的工作相比，所提出的方法仅需要 1/4-1/10 的时间步骤即可实现几乎无损的转换。我们在包括 CIFAR-10（95.16% top-1）、CIFAR-100（78.12% top-1）和 ImageNet（72.64% top-1）在内的具有挑战性的数据集上展示了 VGG16、ResNet20 和 ResNet34 的最先进的 ANN-SNN 转换。
![arxiv：2409.19583v2 [eess.iv] 2025年3月10日](/simg/6\67e7c2488bc903a903a754fb8eba88daf451ae0c.webp)
arxiv：2409.19583v2 [eess.iv] 2025年3月10日
摘要。在研究发现中，1p/19q基因的共同缺失与低级神经胶质瘤中的临床结局相关。预测1P19Q状态的能力对于治疗计划和患者随访至关重要。本研究旨在利用特殊的基于MRI的卷积神经网络进行脑癌检测。尽管Restnet和Alexnet等公共网络可以使用Transfer学习有效地诊断脑癌，但该模型包含了许多与医学图像无关的权重。因此，转移学习模型无法可靠诊断结果。要处理可信赖性问题，我们从头开始创建模型，而不是依赖于预训练的模型。为了启用灵活性，我们将卷积堆叠与辍学和完全连接操作相结合，可以通过减少过度拟合来证明性能。在模型训练期间，我们还补充了给定的数据集并注入高斯噪声。我们使用三倍的交叉验证来训练最佳选择模型。比较InceptionV3，VGG16和MobilenetV2对预训练的模型进行了微调，我们的模型会产生更好的结果。在验证集125个编码和31个未代码图像的验证集中，提议的网络可实现96.37％的F1分数，97.46％的精度，而96.34％的召回在分类1P/19Q Codeletion和Not Codeletion Image时。
深度卷积神经网络在脑电图中的应用：原始数据与光谱特征
摘要 — 深度学习在计算机视觉领域的成功启发了科学界探索新的分析方法。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需进行广泛的特征工程。本文使用两种不同的深度卷积神经架构比较了使用经过最低限度处理的 EEG 原始数据的深度学习与使用 EEG 光谱特征的深度学习。其中一个来自 Putten 等人 (2018)，专门用于处理原始数据；另一个来自 VGG16 视觉网络 (Simonyan and Zisserman, 2015)，旨在处理 EEG 光谱特征。我们应用它们对来自 1,574 名参与者的大型语料库的 24 通道 EEG 进行性别分类。我们不仅改进了此类分类问题的最新分类性能，而且还表明在所有情况下，与光谱 EEG 特征相比，原始数据分类可带来更出色的性能。有趣的是，我们表明，专门用于处理 EEG 频谱特征的神经网络在应用于原始数据分类时性能有所提高。我们的方法表明，用于处理 EEG 频谱特征的相同卷积网络在应用于 EEG 原始数据时可产生优异的性能。
使用深度学习的视网膜眼底图像早期检测青光眼的框架” 2279
摘要：青光眼是一种高度危险的眼部疾病，可显着影响人类视力。这是一种视网膜状况，会损害视神经头（ONH），如果在后期发现，可能会导致永久失明。预防永久性失明取决于青光眼在其初始阶段的及时识别和干预。本文介绍了卷积神经网络（CNN）模型，该模型利用特定的建筑设计来通过分析底面图像来识别早期青光眼。这项研究利用了公开访问的数据集，包括用于青光眼分析和研究的在线视网膜底面图像数据库（ORIGA），视网膜的结构化分析（凝视）和视网膜眼底青光眼挑战（避难所）。为了对青光眼进行分类，视网膜底面图像被送入Alexnet，VGG16，Resnet50和InceptionV3模型中。RESNET50和InceptionV3模型都证明了出色的性能，以创建混合模型。ORIGA数据集以97.4％的F1得分达到了高精度，而凝视数据集则获得了更高的精度，而F1分数为99.1％。避难数据集也表现出色，F1得分为99.2％。所提出的方法已经建立了可靠的青光眼诊断系统，帮助眼科医生和医生进行准确的质量筛查和诊断青光眼。
基于 YOLO v10 的脑肿瘤检测
本研究探索了 YOLO v10 模型在 CT 图像中检测和分类脑肿瘤的应用。YOLO 以其实时物体检测功能而闻名，为解决医学成像挑战提供了一种有前途的方法。该研究利用 Kaggle 的脑肿瘤数据集，结合 437 张阴性图像和 488 张阳性图像进行训练，并使用其他数据集进行验证。与 AlexNet、VGG16、ResNet101V2 和 MobileNetV3-Large 等传统模型相比，YOLO v10 模型表现出了卓越的性能。它实现了 0.920 的精度、0.890 的召回率、0.900 的 F1 分数和 0.910 的准确率。这些结果凸显了它在准确识别和分类肿瘤方面的有效性，为临床应用提供了巨大的潜力。该模型的架构允许高效处理高分辨率 CT 扫描，并能很好地适应各种肿瘤大小和形状。该研究还讨论了提高不同数据集的计算效率和泛化能力所面临的挑战和未来方向。这些令人鼓舞的发现表明，YOLO v10 可以成为医学诊断的有力工具，提高肿瘤检测的准确性和速度，并有助于改善患者的治疗效果。这项研究为进一步探索和开发基于 YOLO 的医疗保健模型奠定了基础。关键词：YOLO v10、脑肿瘤检测、CT 成像、医学诊断、实时物体检测。1. 简介
人工智能中的不确定性：评估外部深度神经网络
随着 AI 模型越来越多地部署在关键应用中，确保模型在暴露于分布不均 (OOD) 或扰动数据等异常情况时保持一致的性能非常重要。因此，本文研究了各种深度神经网络（包括 ResNet-50、VGG16、DenseNet121、AlexNet 和 GoogleNet）在处理此类数据时的不确定性。我们的方法包括三个实验。首先，我们使用预训练模型对通过 DALL-E 生成的 OOD 图像进行分类，以评估其性能。其次，我们使用概率平均从模型的预测中构建了一个集合，以达成共识，因为它比多数或多数投票更具优势。使用平均概率、方差和熵指标量化集合的不确定性。我们的结果表明，虽然 ResNet-50 是 OOD 图像最准确的单一模型，但该模型组合的表现更佳，可以正确分类所有图像。第三，我们通过向来自 DALL-E 或真实世界捕获的新认知图像添加扰动（过滤器、旋转等）来测试模型的稳健性。选择 ResNet-50 是因为它是性能最佳的模型。虽然它可以正确分类 5 张未受干扰的图像中的 4 张，但在扰动后它对所有图像都进行了错误分类，这表明存在很大的漏洞。这些错误分类对人类观察者来说很明显，凸显了 AI 模型的局限性。使用显着性图，我们确定了模型认为对其决策很重要的图像区域。
使用深度学习架构和
摘要： - 心血管疾病是全球死亡的主要原因，心律不齐是一种特别致命的疾病。通过分析心电图数据对心律不齐的有效鉴定对于有效治疗至关重要。心律不齐。本研究提出了一种新型的方法，可以自动诊断心律不齐和窦性心律充血性心力衰竭。所提出的方法涉及利用带有比例图的多尺度滤波器库，该库利用了预处理的ECG数据和未加权的，未加权的，预先训练的卷积神经网络。时间频率纹理提供了来自单铅ECG记录的基本特征的两维表示。随后，专门为心律不齐分类设计的深度学习神经网络用于标记和分类特征数据的集合。本研究研究了深度学习模型从心电图数据分类心律不齐的功效。该研究探讨了不同的卷积神经网络体系结构使用多尺度滤波器库和基于比例图的表示如何工作。预先训练的网络产生的分类模型在概括方面既准确且比原始网络更有效。比较已经训练的模型和未经培训的模型表明，预先训练的网络，尤其是VGG16，在许多方面表现更好，例如准确性和精度。这表明有可能改善基于ECG的诊断，为高级，个性化的医疗保健解决方案铺平了道路。
利用人工智能实现有效领导
20-28。[16] Bakeer, HMS 和 SS Abu-Naser (2019)。“一种用于学习托福的智能辅导系统。”《国际学术教学研究杂志》（IJAPR）2(12): 9-15。[17] Bakr, MAHA 等人 (2020)。“使用 JNN 预测乳腺癌。”《国际学术信息系统研究杂志》（IJAISR）4(10): 1-8。[18] Baraka, RF 和 SS Abu-Naser (2023)。“使用 Just 神经网络预测书籍评分。”《国际工程与信息系统杂志》（IJEAIS）7(9): 14-19。[19] Barhoom, AM 和 SS Abu-Naser (2018)。“黑胡椒专家系统。”《国际学术信息系统研究杂志》（IJAISR）2(8): 9-16。 [20] Barhoom, AM 和 SS Abu-Naser (2022)。“使用深度学习诊断肺炎。”《国际学术工程研究杂志 (IJAER)》6(2): 48-68。[21] Barhoom, AM 等人 (2019)。“使用人工神经网络预测泰坦尼克号幸存者。”《国际学术工程研究杂志 (IJAER)》3(9): 8-12。[22] Barhoom, AM 等人 (2022)。“使用深度学习-vgg16 算法检测和分类骨骼异常。”《理论与应用信息技术杂志》100(20): 6173-6184。[23] Barhoom, AM 等人 (2022)。“用于上骨异常分类的深度学习-Xception 算法。” 《理论与应用信息技术杂志》100(23)：6986-6997。[24] Barhoom, AM 等人 (2022)。“使用一组机器和深度学习算法预测心脏病。”《国际工程与信息系统杂志》(IJEAIS) 6(4)：1-
使用深度学习网络对 MRI 图像中的脑肿瘤检测进行深入分析
摘要：创造行为和工作方式与人类相似的机器是人工智能 (AI) 的目标。除了模式识别、规划和解决问题之外，具有人工智能的计算机活动还包括其他活动。机器学习中使用了一组称为“深度学习”的算法。借助磁共振成像 (MRI)，深度学习被用于创建用于检测和分类脑肿瘤的模型。这可以快速简单地识别脑肿瘤。脑部疾病主要是由于异常的脑细胞增殖造成的，这会损害大脑结构并最终导致恶性脑癌。早期识别脑肿瘤并随后进行适当的治疗可能会降低死亡率。在这项研究中，我们提出了一种卷积神经网络 (CNN) 架构，以便使用 MRI 图像有效识别脑肿瘤。本文还讨论了 ResNet-50、VGG16 和 Inception V3 等各种模型，并对所提出的架构与这些模型进行了比较。为了分析模型的性能，我们考虑了不同的指标，例如准确率、召回率、损失和曲线下面积 (AUC)。使用这些指标分析了我们提出的模型的不同模型后，我们得出结论，提出的模型比其他模型表现更好。使用 3264 张 MR 图像的数据集，我们发现 CNN 模型的准确率为 93.3%，AUC 为 98.43%，召回率为 91.19%，损失为 0.25。与其他模型进行比较后，我们可以推断，提出的模型对于早期检测各种脑肿瘤是可靠的。