XiaoMi-AI文件搜索系统
World File Search SystemVGG19
智能监督机器学习-深度...
摘要 脑肿瘤是全球第十大常见死亡疾病之一，占中枢神经系统所有原发性癌症的 80% 至 90%。由于全球肿瘤疾病的增加，仅在早期阶段就预测脑肿瘤就变得非常必要。生存率取决于早期诊断和有效治疗。如果不能及时发现脑肿瘤，死亡风险会显著增加。然而，由于肿瘤细胞的复杂性和多样性，放射科医生面临许多困难，这使得手动处理磁共振成像 (MRI) 扫描变得困难且耗时。深度神经网络学习 (DL) 和智能机器学习 (ML) 算法已成为诊断医学图像的有前途的技术，允许从 MRI 数据报告自动提取相关模式和特征，从而快速准确地改善肿瘤诊断。这些技术可以解决脑肿瘤特征的复杂性和不可预测性，从而可以增强诊断过程。各种深度神经网络和智能机器学习网络，如 VGG19 网络、Inception、U-net、RNN、Bi-LSTM、混合模型、CNN、逻辑回归、RF、决策树、混合模型，已被用于从 MRI 中提取预期特征，以便对脑肿瘤进行早期预测。本文使用从 FigShare 数据集和 BRATs 数据集中获取的 MRI 图像对脑肿瘤的严重程度进行分析。与 SVM 模型相比，CNN 模型的准确率更高，分别为 93% 和 86%。 关键词：深度学习、机器学习、SVM、CNN、混合模型 1. 简介 人工智能 (AI) 已经改变了医疗保健中的诊断成像，它结合机器学习、深度学习高级算法来改进对医学图像（例如 CT、MRI 和 X 射线扫描）的分析。人工智能改变了诊断过程，允许更精确、更有效的疾病识别方法，而不仅仅是自动化工作。这项技术代表了诊断成像分析和应用的重大进步 [1]。脑肿瘤是全球主要的健康问题，死亡率急剧上升。这些恶性肿瘤主要分为原发性和继发性两大类。从肾脏、乳房、皮肤、肺或甲状腺等其他器官转移到大脑的癌细胞是继发性脑肿瘤的来源，而原发性脑肿瘤则在大脑内部开始和生长。患有恶性继发性肿瘤的患者存活机会较小 [2,3]。另一方面，
使用基于感知损失的卷积神经网络
目的：这项研究旨在开发一种新的卷积神经网络深度学习（DL）技术，用于从计算机上进行自动化的脑组织分割（CT）扫描，并与磁共振成像（MRI）分割相比评估其性能。材料和方法：这项多中心回顾性研究收集了来自两个机构的199个健康个体的配对CT和MRI数据。将数据分为一个训练集（n = 100）和一个机构的内部测试集（n = 50），其中第二个机构的附加数据集（n = 49）用于外部验证。灰质（GM），白质（WM）和脑脊液（CSF）的地面真相面膜是从T1加权MR图像中赋予的。为三个大脑区域中的每个区域中的每个区域训练了基于U-NET的DL模型，并根据VGG19计算了感知损失。通过计算连续骰子系数（CDICE），联合会（IOU）和第95个百分位数Hausdorff距离（HD95）来评估模型性能。使用定位系数（R 2），类内相关系数（ICC）和Bland-Altman分析，将基于CT的分割的体积估计与MRI衍生体积进行了比较。结果：接受感知损失的DL网络与未经感知损失的训练相比，表现出色。体积分析表明，在内部/外部测试中，GM和WM分别为r 2 = 0.83/0.90和0.85/0.87之间的MRI衍生地面真相与基于CT的分割之间的一致性是r 2 = 0.83/0.90和0.85/0.87，而ICC = 0.91/0.94和0.92/0.93。在内部测试中，评估得分（没有感知损失与感知损失）为：CDICE = 0.717 vs. 0.765，HD95 = 6.641 mm，gm中的6.641 mm vs. 6.314 mm； CDICE = 0.730 vs. 0.767和HD95 = 5.841毫米，而Wm为5.644 mm； CDICE = 0.600 vs. 0.630和HD95 = 5.641毫米，而CSF中的5.362 mm，分别是分数。结论：提出的DL方法随着感知损失而增强，可改善CT图像的脑部分割。这种方法显示了有望作为基于MRI的分割的一种替代方法。
未经训练的感知损失，用于MR图像中线状结构的图像降级
在获取磁共振（MR）图像中，较短的扫描时间会导致更高的图像噪声。因此，使用深度学习方法自动图像降解是高度兴趣的。在这项工作中，我们集中于包含线状结构（例如根或容器）的MR图像的图像。特别是，我们研究了这些数据集的特殊特征（连接性，稀疏性）是否受益于使用特殊损失功能进行网络培训。我们特此通过比较损失函数中未经训练的网络的特征图将感知损失转换为3D数据。我们测试了3D图像降级的未经训练感知损失（UPL）的表现，使MR图像散布脑血管（MR血管造影-MRA）和土壤中植物根的图像。在这项研究中，包括536个MR在土壤中的植物根和450个MRA图像的图像。植物根数据集分为380、80和76个图像，用于培训，验证和测试。MRA数据集分为300、50和100张图像，用于培训，验证和测试。我们研究了各种UPL特征的影响，例如重量初始化，网络深度，内核大小以及汇总结果对结果的影响。，我们使用评估METIC，例如结构相似性指数（SSIM），测试了四个里奇亚噪声水平（1％，5％，10％和20％）上UPL损失的性能。我们的结果与不同网络体系结构的常用L1损失进行了比较。我们观察到，我们的UPL优于常规损失函数，例如L1损失或基于结构相似性指数（SSIM）的损失。对于MRA图像，UPL导致SSIM值为0.93，而L1和SSIM损耗分别导致SSIM值分别为0.81和0.88。UPL网络的初始化并不重要（例如对于MR根图像，SSIM差异为0.01，在初始化过程中发生，而网络深度和合并操作会影响DeNo的性能稍大（5卷积层的SSIM为0.83，而核尺寸为0.86，而5卷积层的0.86 vs. 0.86对于根数据集对5卷积层和5卷积层和内核尺寸5）。我们还发现，与使用诸如VGG这样的大型网络（例如SSIM值为0.93和0.90）。总而言之，我们证明了两个数据集，所有噪声水平和三个网络体系结构的损失表现出色。结论，对于图像