XiaoMi-AI文件搜索系统
World File Search Systemclassi
BCM-VEMT：根据 MRI 对脑癌进行分类...
摘要：脑癌很可能是近年来导致死亡的最主要原因。正确诊断癌症类型使专家能够选择正确的治疗方法和决策，从而挽救患者的生命。具有图像处理功能的计算机辅助诊断系统能够正确分类肿瘤类型，其重要性不言而喻。本文提出了一种增强方法，该方法可以使用深度学习和机器学习算法集合对磁共振图像 (MRI) 中的脑肿瘤类型进行分类。名为 BCM-VEMT 的系统可以对四个不同的类别进行分类，包括三类脑癌（神经胶质瘤、脑膜瘤和垂体）和非癌性（即正常类型）。开发了一种卷积神经网络来从 MRI 图像中提取深度特征。然后将这些提取的深度特征输入到多类 ML 分类器中，以对这些癌症类型进行分类。最后，使用加权平均分类器集合通过组合每个 ML 分类器的结果来实现更好的性能。该系统的数据集共有四类 3787 张 MRI 图像。BCM-VEMT 的表现更佳，胶质瘤类准确率为 97.90%，脑膜瘤类准确率为 98.94%，正常类准确率为 98.00%，垂体类准确率为 98.92%，总体准确率为 98.42%。BCM-VEMT 在对脑癌类型进行分类方面具有重要意义。
嘈杂的临床数据分类阳离子...
记录的版本：此预印本的一个版本在2022年2月3日在Scienti c报告上发布。请参阅https://doi.org/10.1038/s41598-022-05971-9。
量子机器学习分类器的性能分析
近年来，研究人员开始研究量子计算中的数据转换。他们想看看量子计算如何影响机器学习方法的稳健性和性能。量子力学成功地解释了一些过去经典公式无法解释的现象。因此，多年来，它在量子机器学习 (QML) 等分析研究领域得到了扩展。不断发展的 QML 学科已经证明了与传统机器学习解决的问题相同（或相当）的解决方案，包括使用量子分类器的分类和预测问题。由于这些因素，量子分类器分析已成为 QML 中最重要的主题之一。本文研究了四种量子分类器：带量子核的支持向量分类 (SVCQK)、量子支持向量分类器 (QSVC)、变分量子分类器 (VQC) 和电路量子神经网络分类器 (CQNNC)。我们还报告了案例研究成果和利用生成的线性和非线性可分离数据集的结果分析。我们的研究旨在探索量子信息是否有助于学习或融合。
用于可解释的肺部疾病分类的可解释 AI 模型
摘要 — 在本文中，我们通过区分新型冠状病毒疾病 (COVID-19) 或其他疾病引起的肺部不透明样本与正常病例，开发了一个从胸部 X 光片图像中识别肺部疾病的框架。我们执行图像处理任务、分割并训练定制的卷积神经网络 (CNN)，在分类准确性方面获得合理的性能。为了解决这种复杂分类模型的黑箱性质，这种性质成为应用此类基于人工智能 (AI) 的方法自动化医疗决策的主要障碍，引起了临床医生的怀疑，我们解决了使用基于分层相关性传播 (LRP) 的方法定量解释我们采用的方法的性能的需要。我们还使用了基于像素翻转的稳健性能指标来评估我们采用的 LRP 方法的可解释性，并将其性能与其他可解释方法进行比较，例如局部可解释模型不可知解释 (LIME)、引导反向传播 (GB) 和深度泰勒分解 (DTD)。索引术语 — 深度学习、可解释 AI、分层相关性传播、LIME、深度泰勒分解、引导反向传播、医学诊断、胸部 X 光检查、COVID-19。
DNA 病毒（巴尔的摩 I 类和 II 类）
• 基因组约为 8 kbp • 它们产生两个同向转录本，其差异剪接产生 8-9 种蛋白质 • 转录可从至少两个启动子开始（P 97、P 670）。第一个是早期基因的启动子，第二个是晚期基因的启动子。 • 来自不同启动子的转录本使用不同的终止子（pAE）• 转录本：• P 97 -pAE 导致蛋白质 E6、7、1、5 的剪接和合成。• P 670 -pALs 导致蛋白质 E4、L1 和 L2 的剪接和合成。 • LCR（长控制区）序列包含与启动子相关的增强子。 • E2 蛋白的完整形式作为启动子（特别是早期启动子）的转录激活剂发挥作用，并与 E1 一起诱导复制（在 LCR 中）。
使用深... 的MR图像中脑肿瘤的分类 用lomitapide靶向PP2A，通过激活AMPK/Beclin1介导的自噬 基于脑肌肉混合信号的机器人手臂控制系统 通过Fastai 在脑MR扫描上检测大脑异常检测的混合体系结构
脑肿瘤是大脑中异常细胞的质量或簇，由于其能够侵入邻近组织并形成转移酶的能力，因此可能会威胁生命。准确的诊断对于成功的治疗计划和磁共振成像是必不可少的，这是诊断脑肿瘤及其程度的主要成像方式。近年来，计算机视觉应用程序中的深度学习方法已显示出显着的改进，其中大多数可以将大量数据可用于培训模型，并且模型体系结构的改进在有监督的环境中产生更好的近似值。使用这种深度学习方法对肿瘤进行分类，这使得带有可靠注释的开放数据集的可用性取得了重大进展。通常这些方法是3D模型，它使用3D体积MRI，甚至是2D模型，即分别考虑每个切片。然而，通过分别处理一个空间维度，或通过将切片作为一系列图像随着时间的推移来处理，时空模型可以用作此任务的“空间空间”模型。这些模型具有学习特定的空间和时间关系的功能，同时降低了计算成本。本文使用两个时空模型，即Resnet（2+1）D和Resnet混合卷积，以对不同类型的脑肿瘤进行分类。观察到，这两个模型的性能都优于纯3D卷积模型RESNET18。此外，还观察到，在训练肿瘤分类任务之前，将模型预先培训在不同的，甚至是无关的数据集上可以提高性能。最后，在这些实验中，预先训练的重新结合卷积是最佳模型，达到了0.9345的宏F1评分，测试准确性为96.98％，而同时是计算成本最少的模型。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
一个基于生成的邻里的深度自动编码器，用于强大的不平衡分类
摘要 - 深度学习模型最近在许多分类任务上表现出色。深度神经网络的出色表现取决于大量的训练数据，同时必须具有相等的类别分布才能有效。但是，在大多数现实世界中，标记的数据可能受到类别之间高不平衡比率的限制，因此，大多数分类算法的学习过程受到不利影响，从而导致预测和性能较低。三种主要方法解决了不平衡学习的问题，即数据级，算法级别和混合方法，这些方法结合了上述两种方法。数据生成方法通常基于生成的对抗网络，这些网络需要大量的数据，而模型级别的方法需要广泛的领域专家知识来制定学习目标，从而在没有此类知识的情况下对用户访问较差。此外，这些方法中的绝大多数被设计和应用于成像应用，更少的时间序列，并且对它们都极为罕见。为了解决上述问题，我们介绍了Genda，Genda是一种基于生成邻域的Deep AutoCoder，它在设计方面既简单又有效，并且可以成功地应用于图像和时间序列数据。genda基于学习潜在
使用深度神经网络对阿尔茨海默病进行四向分类...
阿尔茨海默病 (AD) 是一种神经退行性疾病，会对包括海马体在内的多个大脑区域造成不可逆的损害，从而导致认知、功能和行为受损。早期诊断该疾病将减少患者及其家属的痛苦。为了实现这一目标，在本文中，我们提出了一种孪生卷积神经网络 (CNN) 架构，该架构采用三重态损失函数将输入的 MRI 图像表示为 k 维嵌入。我们使用预训练和非预训练的 CNN 将图像转换到嵌入空间。这些嵌入随后用于阿尔茨海默病的四向分类。使用 ADNI 和 OASIS 数据集测试了模型有效性，准确率分别为 91.83% 和 93.85%。此外，将获得的结果与文献中提出的类似方法进行了比较。
葡萄糖趋势预测模型基于改进的小波变换和门控复发单元
心力衰竭是一种具有复杂临床表现的综合征。可能是由于多种原因而发生的，包括对心脏的结构损害以及其功能变化，以防止其正确地将血液泵入身体，从而使身体没有充分的循环。随着我们人口的年龄增长，心力衰竭患者的数量每年增加，一再住院，生活质量减少和其他问题。这些问题突出了需要及时诊断，治疗和预后的必要性。通过其分类来估计心力衰竭患者的严重程度在有效治疗中具有重要的临床意义。分类心力衰竭被认为是治疗它的最关键步骤。分类心力衰竭的标准是纽约心脏协会