XiaoMi-AI文件搜索系统
World File Search SystemVGG16
利用深度学习进行 MRI 脑肿瘤分类
MRI（磁共振成像）是一种广泛使用的非侵入性肿瘤检测诊断工具。该项目比较了各种机器和深度学习模型在 MRI 扫描中对脑肿瘤（神经胶质瘤、脑膜瘤、垂体瘤和无肿瘤）进行分类时的表现，并与受过训练的放射科医生设定的标准进行了比较。部署的模型包括卷积神经网络 (CNN)、源向量机 (SVM)、随机森林分类器 (RFC)、几种迁移学习模型以及 MobleNetV2 到 SVM 的混合模型。每个模型都根据预处理和标准化数据的相同训练测试分割进行训练。采用适当的超参数调整和模型特定的优化来实现最高准确度并保持稳健性。生成了准确度指标和混淆矩阵来评估模型的有效性。此外，人工降级了一个单独的测试数据集来模拟低场 MRI 扫描，以评估模型的稳健性。在有和没有数据增强的情况下评估模型性能，数据增强包括对训练集进行随机降级、旋转、翻转和缩放。研究表明，放射科医生的总体诊断准确率为 87%：RFC 准确率为 94%，SVM 准确率为 95%，VGG16（最准确的迁移学习模型）准确率为 97.9%，混合 MobileNetV2/SVM 准确率为 98.2%，CNN 准确率为 97.6%。所有模型的放射科医生平均准确率更高，其中混合模型表现最佳。在降级数据集上测试以模拟低场 MRI 时，增强大大改善了 SVM 和 RFC 模型的结果；但是，在降级图像上测试时，CNN 模型的准确性受到的影响很小，增强无效。
使用深度学习模型对 MRI 扫描进行脑肿瘤检测和分类
简介：人工智能 (AI) 的主要目标是开发具有类似人类行为和功能的计算机。采用人工智能的计算机活动不仅包括模式检测、规划和问题解决，还包含各种额外功能。方法：机器使用一组统称为“深度学习”的技术。磁共振成像 (MRI) 与深度学习方法结合使用，以开发能够有效识别和分类脑癌的模型。该技术有助于快速直接地检测脑癌。脑部问题主要源于脑细胞的异常增殖，导致脑结构发生有害改变，最终导致脑癌发展为恶性。早期发现脑肿瘤并采取有效干预措施可以降低死亡率。本文提出了卷积神经网络 (CNN) 架构，以使用磁共振 (MR) 图像有效检测脑癌。结果：本研究进一步研究了 ResNet-50、VGG16 和 Inception V3 等几种模型，并将所提出的架构与这些模型进行了比较。为了评估模型的有效性，我们评估了许多指标，包括准确率、召回率、损失和曲线下面积 (AUC)。在分析了几种模型并使用指定的指标将它们与建议的模型进行比较后，确定所提出的模型与其他模型相比表现出了更优异的性能。基于对 3265 张 MRI 图像数据进行的分析。结论：可以看出，CNN 模型的分类精度为 93.3%。此外，受试者工作特征曲线下面积 (AUC) 确定为 98.43%，而召回率为 91.19%。此外，该模型的损失函数得出的值为 0.25。基于与其他模型的比较分析，可以推断，所提出的模型在早期检测各种类型的脑癌方面具有很高的可靠性。
![arxiv：2410.19363v2 [cs.cv] 2024年12月23日](/simg/6\686e38225a84bacafbcd016080a298d9958cd5fd.webp)
arxiv：2410.19363v2 [cs.cv] 2024年12月23日
胃肠道的异常异常会显着影响患者的健康，并需要及时诊断以进行有效治疗。 考虑到这一点，视频胶囊内窥镜（VCE）框架对这些异常的有效自动分类对于改善诊断工作流程至关重要。 这项工作介绍了开发和评估一种新型模型的过程，该模型旨在从VCE视频框架中对胃肠道异常进行分类。 Omni Di-Mensional Got Goate（OGA）机制和小波转换技术的整合到模型的体系结构中，该模型可以专注于内窥镜图像中最关键的区域，从而降低噪声和无关紧要的特征。 这在胶囊内窥镜检查中尤其重要，其中图像通常包含质地和颜色的高度可变性。 小波转换是通过有效捕获空间和频域信息的贡献，从而改善了特征提取，尤其是用于检测VCE框架的微妙特征。 此外，从固定小波变换和离散小波变换中提取的特征是串联的通道以捕获多尺度特征，这对于检测息肉，溃疡和出血至关重要。 这种方法提高了不平衡胶囊启示数据集的分类精度。 提出的模型达到了92。 76％和91。 分别为培训和验证精度为19％。 同时，培训和验证损失为0。 2057和0。 2700。 81％，AUC为87。 49％，F1得分为91。异常会显着影响患者的健康，并需要及时诊断以进行有效治疗。考虑到这一点，视频胶囊内窥镜（VCE）框架对这些异常的有效自动分类对于改善诊断工作流程至关重要。这项工作介绍了开发和评估一种新型模型的过程，该模型旨在从VCE视频框架中对胃肠道异常进行分类。Omni Di-Mensional Got Goate（OGA）机制和小波转换技术的整合到模型的体系结构中，该模型可以专注于内窥镜图像中最关键的区域，从而降低噪声和无关紧要的特征。这在胶囊内窥镜检查中尤其重要，其中图像通常包含质地和颜色的高度可变性。小波转换是通过有效捕获空间和频域信息的贡献，从而改善了特征提取，尤其是用于检测VCE框架的微妙特征。此外，从固定小波变换和离散小波变换中提取的特征是串联的通道以捕获多尺度特征，这对于检测息肉，溃疡和出血至关重要。这种方法提高了不平衡胶囊启示数据集的分类精度。提出的模型达到了92。76％和91。分别为培训和验证精度为19％。同时，培训和验证损失为0。2057和0。2700。81％，AUC为87。 49％，F1得分为91。81％，AUC为87。49％，F1得分为91。提出的模型达到了平衡的精度94。11％，精度为91。17％，召回91。19％和98的特异性。44％。此外，该模型的性能是针对两个基本模型VGG16和RESNET50的基准测试的，证明了其增强的能力，可以准确识别和分类一系列胃肠道异常。这项工作在2024 Capsule Vision Challenge中获得了第27位。可以在https://github.com/09srinivas2005/capsule-endoscopy-multi-classificatio n-via-gia-gia-gated-gated-gatew-githet-and-thevelet-transformations.git上找到实施和其他资源。
基于AI的图像生成
基于机器学习的图像生成模型（例如稳定扩散）现在能够生成很难与真实图像区分开的合成图像，这引起了许多法律和道德问题。作为缓解措施的潜在度量，可以训练神经网络检测许多生成模型合成的图像中存在的数字伪像。但是，由于所讨论的伪影通常是特定于模型的伪像，因此这些所谓的探测器通常会出现来自模型的图像时的性能差，因此尚未接受过培训。在本论文中，我们研究了Dreambooth和Lora，最近出现了两种精细方法，以及它们对假图像探测器的性能的影响。Dreambooth和Lora可用于微调一个稳定的扩散基础模型，该模型具有创建基本模型更改版本的效果。可以这样做的便捷性导致了社区产生的合成图像的扩散。然而，模型微调对图像可检测性的影响尚未在科学背景下研究。因此，我们提出以下研究问题：使用Dreambooth或Lora对稳定的扩散基本模型进行微调会影响仅在基本模型图像上训练的探测器的性能指标吗？我们采用了一种实验方法，使用验证的VGG16架构将二进制分类作为检测器。我们在来自Imagenet数据集的真实图像上训练检测器，以及由三个不同稳定扩散基础模型合成的图像，从而产生了三个训练有素的检测器。然后，我们在这些模型的微调版本生成的图像上测试他们的性能。我们发现，在使用微调模型发生的图像上测试检测器的准确性低于对训练的基础模型生成的图像进行测试的准确性。在前者类别中，与洛拉生成的图像相比，Dreambooth生成的图像对检测器的影响更大。我们的研究表明，在伪造图像探测器培训的背景下，有必要在Dreambooth微调模型中考虑到不同的实体。
通过...
摘要 - 基于CPU的推理可以作为外芯片加速器的拟合作用。在这种情况下，由于其高效率，新兴的矢量体系结构是一个有前途的选择。然而，卷积算法和硬件实现的庞大设计空间使设计选项的选择具有挑战性。在本文中，我们介绍了针对基于CPU的卷积神经网络（CNN）推断的共同设计的未来矢量体系结构的持续研究，重点是IM2Col+Gemm和Winograd内核。使用GEM5模拟器，我们探讨了几个硬件微体系特征的影响，包括（i）向量泳道，（ii）向量长度，（iii）缓存尺寸和（iv）将向量单元集成到CPU管道中的选项。In the context of im2col+GEMM, we study the impact of several BLIS-like algorithmic optimizations such as (1) utilization of vector registers, (2) loop unrolling, (3) loop reorder, (4) manual vectorization, (5) prefetching, and (6) packing of matrices, on the RISC-V Vector Extension and ARM-SVE ISAs.我们使用Yolov3和VGG16网络模型进行评估。我们的共同设计研究表明，BLIS样的优化对所有类型的矢量微体系结构都不是有益的。我们还证明，与我们优化的CNN内核相比，较长的矢量长度（至少为8192位）和较大的缓存（256MB）可以提高5倍的性能，而512位和1MB的载体长度则可以提高性能。我们的共同设计研究还表明，与IM2Col+GEMM相比，Winograd需要较小的缓存尺寸（高达64MB）。在Winograd的背景下，我们通过使用每个通道的8×8图块来介绍跨输入/输出通道之间的新颖的瓷砖并行方法，以对向量长度不可知（VLA）体系结构进行载体化算法。我们的方法利用了较长的向量长度并提供了高内存重复使用，与我们在Fujitsu A64FX处理器上优化的IM2Col+Gemm方法相比，对于具有3×3内核大小的非弯曲卷积层的性能提高了2.4倍。索引术语 - CNN，GEMM，Winograd，长量架构，向量长度不可知论ISA，共同设计，优化
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下