XiaoMi-AI文件搜索系统
World File Search Systemdensenet
使用 MONAI 从 MRI 图像对脑动脉瘤进行分类...
脑动脉瘤是脑内血管的凸起或膨胀，可能会渗漏或破裂，引起出血，也可能导致脑出血。这是一种紧急医疗情况，需要立即进行神经系统评估和检测以确保生存。[19] 动脉瘤的大小不到 MRI 扫描大小的 1%，因此使用深度学习识别和分割动脉瘤具有挑战性。在这个任务中，我们探索了深度学习神经网络如何帮助从 MRI 扫描中解决脑动脉瘤的分类问题。我们模型的输入是 3D 图像、医院的扫描图像和没有动脉瘤的开源图像。我们使用 DenseNet 网络架构和 MONAI（人工智能医疗开放网络）[12] 平台，这是一个基于 PyTorch 的开源框架，用于训练和提高分类任务的准确性。我们与一家初创公司 VasoGnosis Inc. 合作，这是一家为脑血管疾病提供人工智能诊断和手术规划软件平台的供应商 [15]，通过这个项目获取数据和指导。
一种加权合奏方法，具有多种预训练的深度学习模型用于中风的分类
摘要：中风是全球最致命的疾病之一，强调了早期诊断的关键需求。本研究旨在创建一个两阶段的分类系统，用于中风和非冲程图像，以支持早期临床检测。深度学习（DL）是诊断，检测和及时治疗的基石，是主要方法论。转移学习适应了成功的DL体系结构来解决各种问题，合奏学习结合了多个分类器，以增强结果。这两种技术用于使用中风和正常图像数据集对中风进行分类。在初始阶段，六个预训练的模型是微调的，densenet，Xception和ExcilityNetB2作为表现最佳的人，分别达到98.4％，98.4％和98％的验证精度。这些模型在整体框架中充当基础学习者。加权的平均合奏方法将它们结合在一起，从而在保留的测试数据集中获得了99.84％的精度。这种方法表现出对中风检测的希望，这是一种威胁生命的状况，同时也证明了合奏技术在增强模型性能方面的有效性。
Sasidhar B等。使用指纹图像创新的非侵入性血型检测。 J Crim Forensic研究2025，7（1）：180087。
血型的确定是卫生部门输血和诊断的关键步骤。在本文中，采用了与深度学习算法相结合的成像技术来自动识别血型。结缔组织与规模不变特征变换（SIFT），方向短暂和旋转的barf（Orb）以及使用Gabor滤波器的指纹的空间相关性用于识别血型的区别特征以及指纹图像。然后，提取的特征通过卷积神经网络（CNN）进行分类。此外，指纹特征还具有脊频率和空间特征，以进一步改善血型的测定。该框架包括对比度增强和降解技术，可改善图像质量，从而使图像质量波动稳定。采用了使用VGG，Resnet和Densenet作为基本模型来提高模型有效性和概括性，请进行转移学习。对不同数据集进行了测试，该方法在识别血型和歧视性标记方面表现出良好的准确性，一致性和成功率。这种新颖的技术是完全自动化的。它可以通过快速，准确地治疗输血和患者来彻底改变血型和输血的过程。
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。
![arxiv：2009.01796v1 [Quant-ph] 3 Sep 2020](/simg/g:\will\search\icon\source\7\76d5967786d73626226dd80ad897fe54a347c819.webp)
arxiv：2009.01796v1 [Quant-ph] 3 Sep 2020
心血管疾病在现代社会中仍然是一个重要的问题。在非侵入性技术中，心电图（ECG）是检测心脏活动异常的最可靠方法之一。但是，ECG的解释需要专家知识，而且耗时。开发一种新的方法来早期检测疾病可以预防死亡和并发症。本文介绍了从心电图录音中分类心脏疾病的新颖方法。第一种方法表明，庞加莱的ECG信号和基于深度学习的图像分类器（Resnet5050和Densenet121是通过Poincaré图中学到的），这在预测AF（心理纯正）中表现出了体面的性能，但没有其他类型的心灵。Xgboost是一种梯度增强模型，在长期数据中表现出可接受的性能，但由于高度消耗的计算Wihtin在预处理阶段，因此具有很长的时间。最后，一维卷积模型（特别是1D Resnet）在所研究的CINC 2017和CINC 2020数据集中表现出了最佳结果，分别达到了F1分别达到85％和71％的F1分数，这比每个挑战的第一级解决方案都优于每个挑战的解决方案。本文还研究了效率指标，例如功耗和等效的CO2排放，其中一维模型（如1D CNN和1D Resnet）是最能量的效率。模型解释分析表明，Densenet使用心率变异性检测到AF，而1DRESNET评估了原始ECG信号中的AF模式。
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
DaSAM：基于疾病和空间注意模块的脑肿瘤检测可解释模型
摘要：脑肿瘤是细胞发育不正常的结果。它是全球成年人死亡的主要原因。早期发现脑肿瘤可以避免许多死亡。用于早期脑肿瘤诊断的磁共振成像（MRI）可以提高患者的生存机会。诊断脑肿瘤的最常用方法是 MRI。MRI 中恶性肿瘤的可见性提高使治疗更容易。脑癌的诊断和治疗取决于其识别和治疗。过去十年中提出了许多深度学习模型，包括 Alexnet、VGG、Inception、ResNet、DenseNet 等。所有这些模型都是在庞大的数据集 ImageNet 上训练的。这些通用模型具有许多参数，在针对特定问题实施这些模型时，这些参数变得无关紧要。本研究使用自定义深度学习模型对脑部 MRI 进行分类。提出的疾病和空间注意力模型（DaSAM）有两个模块； (a) 疾病注意模块 (DAM)，用于区分图像的疾病区域和非疾病区域；(b) 空间注意模块 (SAM)，用于提取重要特征。所提出的模型的实验在两个公开的多类数据集 Figshare 和 Kaggle 数据集上进行，分别达到了 99% 和 96% 的准确率。所提出的模型还使用跨数据集验证进行了测试，在 Figshare 数据集上训练并在 Kaggle 数据集上验证时达到了 85% 的准确率。DAM 和 SAM 模块的结合实现了特征映射功能，这对于在模型的决策过程中突出显示重要特征非常有用。
优化皮质折叠模式检测的对比度学习
人体大脑皮层具有许多颠簸和凹槽，称为Gyri和Sulci。即使主要的皮质褶皱具有高个性的一致性，当我们检查折叠模式的确切形状和细节时，情况并非如此。由于这种复杂性，表征了皮质折叠的变异性并将其与受试者的行为特征或病理相关联仍然是一个开放的科学问题。经典方法包括基于几何距离手动或半自动的几种特定模式，但是最近数以千计的受试者的MRI图像数据集可用于现代深度学习技术，使现代深度学习技术变得特别有吸引力。在这里，我们构建了一个自制的深度学习模型，以检测扣带回区域的折叠模式。我们在人类Connectome项目（1101个受试者）和UKBiobank（21070受试者）数据集上培训了一个对比对比的自我监管模型（SIMCLR），并具有基于拓扑的骨骼骨骼上的增强，这些数据集对拓扑对象进行了基于拓扑的增强，它们是捕获折叠形状的拓扑对象。我们为SIMCLR探索了几个骨干架构（卷积网络，densenet和Pointnet）。进行评估和测试，我们在手动标记的数据库上执行线性分类任务，该任务在扣带回区域中存在“双重并行”折叠模式，这与精神分裂症特征有关。最佳模型，测试AUC为0.76，是一个卷积网络，具有6层，一个10维潜在空间，线性投影头以及使用分支分支的增强。这是第一次将自制的深度学习模型应用于如此大的数据集上的皮质骨骼并进行了定量评估。我们现在可以设想下一步：将其应用于其他大脑区域以检测其他生物标志物。GITHUB存储库可在https://github.com/neurospin-projects/2022 JCHAVAS CATINGULATE抑制控制上公开获得。
自动驾驶汽车中实时对象检测的深度学习
近年来，自动驾驶汽车的发展迅速发展，这是由于人工智能和深度学习的进步所推动。这些技术正在彻底改变车辆如何感知和与周围环境相互作用，从而为更安全，更有效的运输系统奠定了基础。自动驾驶汽车依靠传感器，相机和计算模型的复杂相互作用来实时解释其环境。在这些组件中，对象检测起着关键作用，充当车辆的“眼睛”，以识别和应对障碍，交通状况和道路信号。这些系统的安全性和效率的关键组成部分是实时对象检测，它可以准确地识别和定位必需物体，例如行人，车辆，车辆，车辆，交通范围，以及动态驾驶的环境，以及动态的环境，以及一个动态驾驶。但是，挑战在于在高度动态和不可预测的道路条件下达到速度和准确性。传统的计算机视觉技术通常很难满足实时处理的需求，从而导致延迟或错过的检测，这可能会危及乘客安全性。这项研究通过引入基于Yolov8的深度学习模型来解决这些问题，专门针对对象检测的速度和准确性进行了优化。Yolov8代表“您只看一次”（Yolo）系列的下一代，该系列以其效率和实时性能而闻名。在各种城市和农村场景中进行的广泛模拟表明，Yolov8的表现优于Alexnet，Densenet，Vggnet，Igcnet和Resnet等建筑。具体来说，它的精度为81.98％（至少比其他模型高1.94％），同时还显示了更快的处理时间。这项研究强调了YOLOV8提供的检测效率和可靠性的实质性提高，增强了其适合于增强自动驾驶汽车系统安全性和可靠性的可靠性。通过解决实时对象检测中的关键挑战，这项研究促进了使自动驾驶汽车成为更安全，更实用的替代方案的更广泛目标。
使用机器学习对小胶质细胞进行分类
项目详情：机器学习：通常，只需根据生物细胞的形状即可预测其状态。人类尝试这样做既耗时又容易受到无意识偏见和人为错误的影响。相反，人们更喜欢自动计算方法，而这正是机器学习可以实现的。我们的初步结果已经开发出一种高精度（>93%）的小胶质细胞方法。这篇博士论文的目的是改善这一点。应用：小胶质细胞是大脑中的常驻免疫细胞。它们采用多种表型来控制大脑的免疫反应，包括吞噬有害物质和释放信号化学物质。科学界在过去五十年中天真地将小胶质细胞分为两种类型。然而，最近的研究（包括我们的合作者）带来了革命性的想法，即小胶质细胞状态是一个连续体。重要性：拥有一种可以准确确定小胶质细胞状态的诊断工具至关重要。首先，小胶质细胞在抑郁症和精神分裂症等精神健康状况中起着至关重要的作用。其次，小胶质细胞在神经退行性疾病（包括运动神经元、帕金森氏症和阿尔茨海默氏症）中很重要。第三，这种工具可用于脑外科手术期间，以持续监测脑细胞状况。第四，这项工作可以扩展到其他巨噬细胞，如肺部的肺泡巨噬细胞。 项目关键目标：（1）开发一种机器学习方法来自动分类小胶质细胞状态（2）确定该方法如何依赖于图像大小、成像条件和不完善的训练数据（3）优化该方法以实时运行并同时在多个细胞上运行 方法：这项博士学位将利用我们与 Kate Harris 博士（纽卡斯尔）、Ian Wood 教授（利兹）和 Andrew Dick 教授（布里斯托尔）合作提供的机会。它将采用一种真正的多学科方法研究小胶质细胞状态，包括机器学习、图像分析和延时成像。这将使学生学习到非常理想的定量和实验技能组合，从而为未来的职业前景带来良好的前景。项目计划：（1）创建新的机器学习方法，特别是卷积神经网络（CNN），使用我们现有的 >20,000 个小胶质细胞的大型数据集自动对小胶质细胞状态进行分类。这将涉及探索多个数据集和 CNN 架构（VGG-16、ResNet、Inception、Xception、DenseNet、ResNeXt-50）。（2）设计图像分析软件，自动从原始显微镜图像中分割细胞。这将基于我们小组现有的代码，并将为机器学习生成输入数据。相关技术将包括形态学操作、边缘检测、距离变换和分水岭变换。（3）培养和成像人类小胶质细胞 HMC3 细胞系，以生成更多数据用于训练 CNN 并测试机器学习模型的准确性。细胞