XiaoMi-AI文件搜索系统
World File Search Systemdensenet
基于DenseNet的多模态脑肿瘤图像分割
脑肿瘤磁共振图像处理算法可以帮助医生对患者病情进行诊断和治疗，在临床医学中有着重要的应用意义。针对传统U-net网络中多模态脑肿瘤图像分割中类别不平衡以及特征融合导致有效信息特征丢失的问题，本文提出一种基于U-net与DenseNet结合的网络模型。将原网络上编码路径和解码路径的标准卷积块改进为dense块，增强特征的传递；采用二元交叉熵损失函数与Tversky系数组成的混合损失函数取代原来的单一交叉熵损失，抑制了不相关特征对分割精度的影响。与U-Net、U-Net++、PA-Net相比，本文算法的分割精度有明显提升，在WT、TC、ET的Dice系数指标上分别达到0.846、0.861、0.782。 PPV系数指标分别达到了0.849、0.883、0.786；与传统U-net网络相比，所提算法的Dice系数指标分别提高了0.8%、4.0%、1.4%，且在肿瘤核心区域和肿瘤增强区域的PPV系数指标分别提高了3%、1.2%；所提算法在肿瘤核心区域分割性能最优，其Sensitivity指标达到了0.924，具有很好的研究意义和应用价值。
使用 Vgg16 和 Densenet Cnn 检测视网膜 Oct 图像中的脉络膜新生血管 (Cnv)
4,5 学生，SRM 科学技术研究所软件工程系摘要 - 在本研究中，我们打算使用深度学习架构来诊断视网膜光学相干断层扫描 (OCT) 图像中的脉络膜新生血管。光学相干断层扫描 (OCT) 图像可用于区分健康眼睛和患有 CNV 疾病的眼睛。研究中使用了深度学习的 DenseNet 和 Vgg16 架构，并更改了两种架构的超参数以正确诊断疾病。检测到疾病后，使用用于处理图像的 Python OpenCV 库将患病的 OCT 图像与背景分割开来以进行感兴趣区域检测。架构实施的结果表明，Vgg16 在检测图像方面比密集网络架构表现出更好的效果，准确率为 97.53%，比密集网络高出约一个百分点。关键词——深度学习、CNN、Vgg16 模型、密集网络模型、视网膜 OCT I 引言光学相干断层扫描是诊断视网膜疾病最广泛使用的诊断成像方法之一。OCT 机器的输出提供 OCT 图像，并提供足够的可视化效果来预测 OCT 胶片上印记的视网膜血管是否存在一些定性和定量变化。视网膜层的增加或减少及其测量值是疾病检测临床试验中的主要评估指标。定期进行视网膜 OCT 扫描有助于早期发现任何与视网膜相关的疾病，并可在年老时避免 [9]。如果在身体中检测到视网膜疾病，许多大脑、眼睛和心血管系统疾病都已出现。通过 OCT 扫描还可以检测到各种其他疾病，患有糖尿病的人患糖尿病视网膜病变的几率很高，而且任何类型的黄斑水肿也可以在视网膜 OCT 图像中看到。本研究主要关注脉络膜新生血管 (CNV)，它是发达国家失明的主要原因之一。通俗地说，脉络膜新生血管可以定义为视网膜脉络膜层中额外血管的生成。同一脉络膜层的最内层称为 Brunch 膜 (BM)，任何类型的膜损伤都可能导致视网膜脉络膜新生血管，并导致未来失明。近年来，深度学习在医学图像中对患病和未患病图像进行分类的应用有所增加。事实证明，CNN 等深度学习技术在物体检测、图像识别和分割方面也大有用处。因此，这证明了使用深度学习分析 OCT 图像以获取患病图像的重要性。使用深度学习 Vgg16 和 DenseNet 的最新架构对患病图像的预测进行比较。然后分割患病图像以突出显示视网膜层中具有脉络膜新生血管的增强血管和空洞形成 [6]。 * 通讯作者：MS Abirami，abirami.srm@gmail.com
精准度与泛化度的结合：通过预训练的 DenseNet 结合全局平均池化和超参数调整来增强脑肿瘤分类
脑肿瘤死亡率高，治疗选择有限，是全球重大健康问题。这些肿瘤是由脑内细胞异常生长引起的，大小和形状各异，因此，对于医疗专业人员来说，通过磁共振成像 (MRI) 扫描手动检测它们是一项主观且具有挑战性的任务，因此需要自动化解决方案。本研究探讨了深度学习（特别是 DenseNet 架构）自动化脑肿瘤分类的潜力，旨在提高临床应用的准确性和通用性。我们利用了 Figshare 脑肿瘤数据集，该数据集包含 233 名患者的 3,064 张 T1 加权增强 MRI 图像，这些患者患有三种常见肿瘤类型：脑膜瘤、神经胶质瘤和垂体瘤。使用来自 ImageNet 的迁移学习评估了四种预训练的深度学习模型——ResNet、EfficientNet、MobileNet 和 DenseNet。DenseNet 实现了最高的测试集准确率 96%，优于 ResNet（91%）、EfficientNet（91%）和 MobileNet（93%）。因此，我们专注于提高 DenseNet 的性能，同时将其视为基础模型。为了增强基础 DenseNet 模型的通用性，我们实施了一种微调方法，该方法采用了正则化技术，包括数据增强、dropout、批量归一化和全局平均池化，并结合了超参数优化。这种增强的 DenseNet 模型实现了 97.1% 的准确率。我们的研究结果证明了 DenseNet 结合迁移学习和微调对脑肿瘤分类的有效性，凸显了其在临床环境中提高诊断准确性和可靠性的潜力。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。在电子学习的到来时，了解学生的参与和反应对于提高教育质量和提高学习率至关重要。随着计算机视觉技术的发展，有一个很大的机会以非侵入性的方式分析和解释学生反应。本研究提出了一个新型框架，该框架采用了更快的R-CNN与Densenet架构集成的速度，以实时检测电子学习课程。所提出的方法利用了更快的R-CNN在生成对象检测任务的高质量区域建议方面的强度，再加上Densenet在特征传播方面的效率和参数数量的减少，这非常适合处理面部表情中的复杂模式。我们的方法始于更快的R-CNN以高准确性和降低计算成本提取潜在面部区域。将densenet作为骨干的集成在更快的R-CNN中大写，其密集连接的卷积网络大写，从而确保网络中层之间的最大信息流。这样做，该系统变得异常擅长识别表明学生反应（例如混乱，参与或无聊）的面部特征的细微变化。我们使用各种电子学习相互作用的数据集进行了一系列实验，该数据集在各种照明条件下收集，并涉及多种种族，以确保鲁棒性和概括性。该模型在此数据集上进行了训练和验证，结果表明，与现有方法相比，学生反应的检测率有显着提高。
有效的深度学习模型，用于隐私保护
摘要医学事物（IOMT）由于当前的AI进步，在医疗保健应用中变得越来越普遍，有助于改善我们的生活质量并确保可持续的卫生系统。具有切割边缘科学能力的IOMT系统能够检测，传输，学习和推理。结果，这些系统在包括脑肿瘤检测在内的一系列医疗保健应用中被证明非常有用。提出了一种基于深度学习的方法，用于鉴定脑肿瘤患者和正常患者的MRI图像。在这种方法中应用了基于形态学的分割方法，以在MRI图像中分离肿瘤区域。综合神经网络，例如LENET，MOBILENETV2，DENSENET和RESNET，是最有效的神经网络。建议的方法适用于从多家医院收集的数据集。使用多种指标评估所提出的方法的有效性，包括准确性，特异性，灵敏度，召回和f得分。根据绩效评估，LENET，MOBILENETV2，DENSENET，RESNET和EFIDENENET的准确性分别为98.7％，93.6％，92.8％，91.6％和91.9％。与现有方法相比，LENET的性能最佳，平均精度为98.7％。
灵活的印刷有机电化学晶体管，用于在人造伤口渗出液中检测尿酸
摘要。珀金森氏病是一种从公认的临床帕金森氏综合症引起的进行性退行性疾病。帕金森氏病的节日包括运动和非运动症状，鉴定为震颤，弯曲运动（运动缓慢），僵化和姿势不稳定。pd被标记为各种研究和调查中最普遍的疾病之一，因为在100人中有90％被观察到。必须设计CAD以准确地确定该疾病的高级模型，因为最新的PD诊断没有准确的临床干预。与常规方法相反。深度学习卷积神经网络工具是指通过MRI对PD进行更快，准确的识别。这项研究的目的是有助于开发准确的PD检测方法。进行研究使用了公共数据集NTU（雅典国家技术大学）。数据样本分为三组（训练，测试和验证）。将与LSTM集成的densenet应用于MRI数据样本。densenet用于增强特征选择能力，因为每一层都根据图像的时间接近度选择特征。然后将输出馈入LSTM层，以发现时间特征中的显着依赖性。将提出的Densenet-LSTM的性能与其他CNN最先进的模型进行了比较。所提出的模型输出的训练精度为93.75％，测试精度为90％，验证精度分别为93.8％。
深度学习融合用于脑 CT 成像中的颅内出血分类
摘要 —脑出血的特征是由于血液凝结或高血压导致脑动脉破裂，存在严重的创伤甚至死亡风险。这种出血会导致脑细胞损伤，常见原因包括脑肿瘤、动脉瘤、血管异常、淀粉样血管病、创伤、高血压和出血性疾病。当发生出血时，氧气无法再到达脑组织，如果脑细胞缺氧和营养物质超过三四分钟，就会开始死亡。受影响的神经细胞及其控制的相关功能也会受到损害。早期发现脑出血至关重要。本文提出了一种有效的混合深度学习 (DL) 模型，用于从脑 CT 图像中检测颅内出血 (ICH)。所提出的方法集成了 DenseNet 121 和长短期记忆 (LSTM) 模型，以准确分类 ICH。DenseNet 121 模型用作特征提取模型。实验结果表明，该模型的准确率、精确率、召回率和 F1 分数分别为 97.50%、97.00%、95.99% 和 96.33%，证明了其在准确识别和分类 ICH 方面的有效性。
使用卷积神经网络诊断阿尔茨海默氏病和轻度认知障碍
摘要。背景：阿尔茨海默氏病和轻度认知障碍是老年人的常见疾病，影响了2020年全球超过5000万人。早期诊断对于管理这些疾病至关重要，但是它们的复杂性构成了挑战。卷积神经网络在准确的诊断方面表现出了希望。目的：这项研究的主要目的是使用卷积神经网络诊断健康个体中阿尔茨海默氏病和轻度认知障碍。方法：本研究使用了三种不同的卷积神经网络模型，其中两个是预训练的模型，即Alexnet和Densenet，而第三个模型是CNN1D-LSTM神经网络。结果：在所使用的神经网络模型中，Alexnet在健康个体中表现出最高的准确性，超过98％的轻度认知障碍和阿尔茨海默氏病。此外，Densenet和CNN1D-LSTM模型的准确性分别为88％和91.89％。结论：该研究突出了卷积神经网络在诊断轻度认知障碍和阿尔茨海默氏病的潜力。使用预训练的神经网络以及各种患者数据的整合有助于取得准确的结果。Alexnet神经网络获得的高精度强调了其在疾病分类中的有效性。这些发现为未来的研究和改善使用卷积神经网络诊断这些疾病的领域铺平了道路，最终有助于早期发现和有效地管理轻度认知障碍和阿尔茨海默氏病。
CSPNet：可增强 CNN 学习能力的新骨干
神经网络使最先进的方法能够在目标检测等计算机视觉任务上取得令人难以置信的效果。然而，这种成功很大程度上依赖于昂贵的计算资源，这阻碍了拥有廉价设备的人们欣赏先进的技术。在本文中，我们提出了跨阶段部分网络（CSPNet）来从网络架构的角度缓解以前的工作需要大量推理计算的问题。我们将问题归因于网络优化中的重复梯度信息。所提出的网络通过整合网络阶段开始和结束的特征图来尊重梯度的变化，在我们的实验中，在 ImageNet 数据集上以相同甚至更高的精度将计算量减少了 20％，并且在 MS COCO 目标检测数据集上的 AP 50 方面明显优于最先进的方法。 CSP-Net 易于实现且足够通用，可以应对基于 ResNet、ResNeXt 和 DenseNet 的架构。
综合神经科学杂志
重度抑郁症是致残率和发病率最高的疾病之一，与神经系统的许多结构和功能差异有关。然而，如果没有计算干预，很难分析数字医学成像数据。提出了一种体素级密集连接的卷积神经网络，三维密集网络（3D-DenseNet），用于挖掘特征差异。此外，还设计了一种称为阿尔茨海默病神经影像主动迁移（ADNI-Transfer）的新型迁移学习方法，并将其与提出的 3D-DenseNet 相结合。在包含99名重度抑郁症患者和75名健康对照者174个受试者的数据库上的实验结果表明重度抑郁症患者与健康对照者脑结构存在较大变化,主要位于额上回、背外侧、颞中回、额中回、中央后回、颞下回等区域。此外,所提出的深度学习网络可以更好地提取重度抑郁症患者与健康对照者脑结构的不同特征,对重度抑郁症取得优异的分类结果。同时,设计的迁移学习方法可以进一步提高分类性能。这些结果验证了所提出的方法对于重度抑郁症的诊断和分析是可行和有效的。