XiaoMi-AI文件搜索系统
World File Search Systemimages
使用遗传算法对 MRI 图像中的脑肿瘤进行分类...
脑肿瘤对大多数患者来说是致命的，肿瘤细胞的不同性质需要使用综合医疗措施，对此类肿瘤进行分类对放射科医生来说是一项艰巨的任务。基于 PC 的诊断结构已被用于辅助使用磁共振成像 (MRI) 诊断脑肿瘤。从神经网络的最低层检索一般功能，这些最低层负责捕获原始输入数据中的低级特征和模式，这些特征和模式对于原始图像来说可能是特别独特的。为了验证这一点，EfficientNetB3 预训练模型用于对三种类型的脑肿瘤进行分类：神经胶质瘤、脑膜瘤和垂体瘤。首先，从预训练的 EfficientNetB3 版本中获取几个 EfficientNet 模块的特征来定位脑肿瘤。使用三种类型的脑肿瘤数据集来评估每种方法。与现有的深度学习模型相比，EfficientNetB3 和遗传算法的连接函数具有更高的准确性。还采用了 Tensor Flow 2 和 Nesterov 加速自适应矩估计 (Nadam) 来改进模型训练过程，使其更快、更好。所提出的使用 CNN 的技术达到了 99.56% 的准确率、98.9% 的灵敏度、98.6% 的特异性、98.9% 的 F 分数、98.9% 的精确度和 99.54% 的召回率。
使用 MRI 图像进行脑肿瘤检测和分类
人类大脑是一个至关重要的器官，因为它调节身体的过程并在做出决定时发挥作用。大脑充当身体的指挥中心，协调自愿和非自愿执行的任务。肿瘤是大脑内纤维恶性组织的不受控制的生长。仅在美国，每年就有超过 3,540 名 15 岁以下的年轻人被诊断出患有脑瘤。预防和治疗脑瘤需要彻底熟悉疾病的各个阶段。放射科医生经常使用 MRI 来评估脑恶性肿瘤。在这里，我们使用深度学习技术来分析大脑图像并确定它们是属于健康还是患病的个体。为了区分健康和患病的脑组织，本研究采用了 ANN 和 CNN。与人类大脑神经系统的工作方式类似，ANN（人工神经网络）允许数字计算机通过一系列简单的处理单元输入数据，然后将其应用于训练集，从而从经验中学习。它由相互连接的神经元层组成。神经网络可以通过接触数据集合来学习新信息。输入层和输出层之间只有一个可见层，而隐藏层的数量不受限制。每个连续层中的神经元的权重和偏差都根据从其下层接收的信息和输入特征（对于隐藏层和输出层）进行调整。为了获得所需的结果，使用应用于输入特征和隐藏层的激活函数来训练模型。由于本文使用图像作为输入，并且 ANN 使用完全链接的层进行操作，需要进行额外的处理，因此重点也放在应用 CNN 上。对于那些不熟悉的人来说，卷积是 CNN（卷积神经网络）中使用的线性运算的名称。在不丢失任何必要的训练数据的情况下，CNN 的连续层降低了图像的整体维度。该模型是使用各种处理技术构建的，包括卷积、最大池化、dropout、扁平化和密集。在这项研究中，我们创建了自己的 ANN 和 CNN 模型架构，并比较了它们应用于脑肿瘤 MRI 数据集的结果。
天文图像中的自动卫星检测和天空位置提取
提供完整的卫星和轨道碎片普查始于高效探测这些物体并可靠地确定其轨道（空间域感知或 SDA）。荷兰皇家空军 (RNLAF) 表示需要开发一种能够为 SDA 做出贡献的系统。广域、高节奏的天文勘测监测了大部分天空，为轨道确定提供了一个有前途的平台。例如，智利的 MASCARA 仪器使用五台固定的广角摄像机以 6 秒的节奏连续监测当地夜空。在这些图像中，卫星由于其长条纹状外观而易于与其他物体区分开来。但是，为了最大限度地发挥这些丰富数据的实用性，应几乎即时提取有关卫星的信息。我们开发了一种新颖的管道，可以几乎即时自动检测卫星条纹并从天文数据中提取位置信息。我们在本文中解决的主要挑战如下：处理速度（即跟上传入的数据流）和卫星天空位置自动提取的准确性。
簇蛋白 /载脂蛋白J（Apo-J）抗体< / div>
特异性和注释它识别为65-76KDA的蛋白质，该蛋白质被鉴定出抗促胰蛋白酶（AACT）。AACT是在肝脏中合成的血浆蛋白酶抑制剂作为单个糖肽链。在人类中，正常的AACT血清水平约为十分之一？1-抗胰蛋白酶（AAT），它具有核酸和蛋白质序列同源性。两者都是主要的急性相应物；它们在血浆中的浓度增加了创伤，手术和感染。在AD患者的脑脊液和血浆中，AACT水平的升高是广泛但不是普遍报道的。前列腺特异性抗原（PSA）及其具有AACT的SDS稳定复合物已广泛用作诊断前列腺癌的标志物。ACT缺乏也可能是慢性肝病的可能原因。a肌肉与组织细胞和组织细胞肿瘤反应。它被广泛用于鉴定从中得出的组织细胞和肿瘤。胰腺和唾液腺的腺泡肿瘤也可能表现出ACT阳性。
使用特定区域数据增强
摘要 - 这项研究旨在使用深度学习来恢复在各种现实的照明条件下捕获的人类图像的弥漫性反照率。这里的一个关键挑战是全身人类图像中发现的各种纹理。虽然某些方面（例如肤色）的颜色范围有限，但衣服和配件显示出广泛的颜色和纹理。因此，创建具有准确标签的综合数据集是不可行的。为了解决这个问题，我们提出了一种数据增强方法，该方法涉及将颜色转移到我们训练图像中的各个语义区域，同时保持实际的外观。此过程是通过将地面真相反照率分段到各自的组件（例如裤子，衬衫，头发等）来完成的。使用预训练的人类解析网络。然后，我们使用从精心定义的分布中随机选择的值调整其色调和强度通道。我们的结果表明，反照率恢复，尤其是在服装区域的显着改善，并且具有代表性不足的肤色表现更好。索引术语 - 人类，脱光灯，反照率，数据增强，深度学习
脑肿瘤 MRI 医学图像分类与数据...
在医疗保健系统中，通过计算机算法无需人工直接输入即可得出结论的能力被称为医疗保健领域的人工智能 (AI)。深度学习 (DL) 方法已被用于或开发用于医疗保健目的，在医学图像分析方面，DL 范式开辟了无限机遇。本文介绍了如何基于 VGG16 的迁移学习创建 DL 模型，该模型可以正确地将 MRI 图像分类为 (肿瘤) 或 (非肿瘤)。此外，该模型采用数据增强来平衡数据集并增加图像数量。数据集来自脑肿瘤分类项目，其中包含公开的肿瘤和非肿瘤图像。结果表明，该模型在增强数据集下表现更好，其验证准确率达到 ~100%。
双向探出，用于MR图像的脑肿瘤分割
摘要：近年来，基于深度学习的网络在MR图像的脑肿瘤分割方面取得了良好的性能。在现有网络中，U-NET已成功应用。在本文中，它提出了深度学习的双向卷积LSTM XNET（BCONVLSTMXNET），用于分割脑肿瘤并使用GoogleNet分类肿瘤和非肿瘤。对BRATS-2019数据集进行了评估，并获得了肿瘤和非肿瘤分类的结果：0.91，精度：0.95：0.95，召回：1.00＆F1得分：0.92。类似地，对于获得精度的脑肿瘤的分割类似：0.99，特定山脉：0.98，灵敏度：0.91，精度：0.91＆F1得分：0.88。关键字：convlstm; Googlenet；线性变换（LT）; Notch过滤器； X-NET 1简介大脑控制并协调许多重要的身体功能。正常细胞会产生，生长和死亡，当人体不需要它们时，异常细胞被称为癌症。当异常细胞在大脑的任何部分内部产生时，就会发生脑肿瘤。有两种主要类型的肿瘤，即恶性肿瘤和良性肿瘤。良性脑肿瘤是非癌性的，恶性肿瘤是癌性的。转移性脑肿瘤发生时，当位于人体另一个器官的癌症传播到大脑时，所有癌症中有40％扩散到大脑和中枢神经系统，最多一半的转移性脑肿瘤来自肺癌。在10,000个人群中，有5至10人影响印度的中枢神经系统（CNS）肿瘤[1]。
使用 BWT 对 MRI 图像中的脑肿瘤进行分类...
摘要-医学图像处理的发展速度令人难以置信。由于各种癌症和其他相关人类活动，疾病的发病率不断上升，为生物医学研究的发展铺平了道路。因此，对这些医学描述进行分类和分析对于临床诊断具有重要意义。这项工作重点是使用预期的混合图像技术对脑肿瘤描述进行阶段有效分类和现有疾病图像的分割。讨论了医学图像的标记提取、特征收集以及图像分类和分割设计方面的挑战和目标。根据准确度、灵敏度、特异性和骰子比较索引系数，对所设计方法的初步结果进行了评估和验证，以对磁共振脑图像进行分类和优效性分析。实验样本的准确度达到 91.73%，特异性达到 91.76%，灵敏度达到 98.452%，证明了所提出的方法从智能 MR 图像中识别正常和非标准组织的有效性。
使用 HyperGraphs 的 FDG-PET 图像增强抑郁症诊断
摘要 — 本研究探讨了图神经网络 (GNN) 和超图在使用氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 图像改善抑郁症诊断的潜力。我们使用核密度估计和动态时间规整从单个静态 FDG-PET 图像构建图形和超图表示。在本地精神病数据集上使用各种 GNN 分类器（包括图卷积网络 (GCN) 和图同构网络 (GIN)）评估这些表示。我们的实验表明，与成对图相比，GNN（尤其是 GCN）在超图上的性能更优越。我们强调了基于超图的表示在捕捉与抑郁症相关的复杂模式方面的整体功效。此外，我们对超图表示的探索为提高诊断准确性提供了有希望的途径，特别是在捕捉复杂的大脑连接模式方面。这项研究为 GNN 有助于使用 FDG-PET 图像更好地诊断精神疾病提供了证据，为个性化治疗策略和跨不同临床环境的诊断进步提供了见解。索引词 — 抑郁症、FDG-PET、KDE、DTW、图、超图、图神经网络、GIN、GCN。
基于改进的Segformer的水下图像的语义分割
水下图像细分对于诸如水下探索，海洋环境监测和资源开发等任务至关重要。尽管如此，鉴于水下环境的复杂性和可变性，改善模型准确性仍然是水下图像分割任务中的关键挑战。为了解决这些问题，本研究提出了基于标准Segformer模型的水下图像的高性能语义分割方法。首先，Segformer中的混合变压器主链被Swin Transformer替换，以增强特征提取并促进对全局上下文信息的有效获取。接下来，在骨干的下采样阶段和解码器中引入了有效的多尺度注意（EMA）机制，以更好地捕获多尺度特征，从而进一步提高了细分精度。此外，将特征金字塔网络（FPN）结构合并到解码器中，以在多个分辨率下组合特征图，从而使模型可以有效地集成上下文信息，从而在复杂的水下环境中增强了鲁棒性。对SUIM水下图像数据集进行测试表明，拟议的模型在多个指标上达到了高性能：联合（MIOU）的平均相交（MIOU）为77.00％，平均召回（MRECALL）为85.04％，平均精度（Mprecision）为89.03％，为89.03％，F1Score（MF1Score（Mf1score）为86.63％）。与标准Segformer相比，MIOU的提高3.73％，MRECALL为1.98％，Mprecision的3.38％和MF1Score的2.44％的提高，参数增加了989万。结果表明，所提出的方法通过最小的其他计算实现了出色的分割精度，从而显示了水下图像分割中的高性能。