XiaoMi-AI文件搜索系统
World File Search System自动检测
http://jaet.journals.ekb.eg 使用迁移从 MRI 图像中自动检测脑肿瘤
早期成功检测脑肿瘤对改善患者治疗和生存起着重要作用。由于临床上通常会生成大量图像，因此手动评估磁共振成像 (MRI) 图像是一项非常困难的任务。因此，需要使用计算机辅助诊断 (CAD) 系统进行早期检测并将脑肿瘤分类为正常和异常。本文旨在设计和评估近年来为图像分类提出的卷积神经网络 (CNN) 迁移学习的最新性能。对五种不同的著名 CNN 进行了五种不同的修改，以了解最有效的修改。对每个架构应用了五层修改和参数调整，为脑肿瘤检测提供了一种新的 CNN 架构。大多数脑肿瘤数据集只有少量图像来训练深度学习结构。因此，在评估中使用两个数据集来确保所提结构的有效性。首先，来自 RIDER Neuro MRI 数据库的标准数据集，包括 349 张脑部 MRI 图像，其中 109 张正常图像和 240 张异常图像。其次，收集了 120 张脑部 MRI 图像，其中包括 60 张异常图像和 60 张正常图像。结果表明，提出的 CNN 迁移学习与 MRI 可以学习脑肿瘤的重要生物标志物，然而，获得的最佳准确度、特异性和灵敏度均为 100%。
脑电信号伪差自动检测与滤波的初步研究*
摘要 —EEG 记录中最大的问题之一是伪影造成的信号污染，因为这些干扰会阻碍对真实神经信息的分析。因此，在研究 EEG 之前，在尽可能多地保留大脑数据的同时消除伪影是一个关键步骤。为了解决颅面伪影的自动去除问题，本文提出了一个两阶段程序：前一个阶段是检测阶段 - 同时应用 MLP 神经网络和动态阈值法来检测 EEG 的污染区域，而后一个阶段是去除阶段 - 结合 CCA 和 EEMD 算法仅去除伪影数据。实验结果表明，两种检测方法相当，但动态阈值检测略优于 MLP。此外，组合技术可以完全去除散布在所有 EEG 通道中的伪影。本研究将扩展到需要更复杂模型的眼部伪影。索引术语 —癫痫、EEG、伪影检测、伪影去除
使用 3D 神经网络系统自动检测多参数脑 MRI 中的关键发现
随着脑部 MRI 的快速发展和使用日益广泛，人们对自动图像分类的兴趣日益浓厚，以帮助人类进行解释并改善工作流程。我们的目标是训练一个深度卷积神经网络，并评估其在识别异常脑部 MRI 和关键颅内发现（包括急性梗塞、急性出血和占位效应）方面的表现。总共 13,215 项临床脑部 MRI 研究被分类为训练（74%）、验证（9%）、内部测试（8%）和外部测试（8%）数据集。每个脑部 MRI 最多包含八个对比，并且每个图像体积都重新格式化为通用分辨率，以适应扫描仪之间的差异。在审查放射学报告后，三位神经放射学家将每项研究分配为异常与正常，并确定了三个关键发现，包括急性梗塞、急性出血和占位效应。深度卷积神经网络由定位特征提取 (LFE) 模块和全局分类器的组合构建，以识别脑部 MRI 中 4 个变量的存在，包括异常、急性梗塞、急性出血和占位效应。训练、验证和测试集是根据患者随机定义的。训练是在 9845 项研究中进行的，使用平衡抽样来解决类别不平衡问题。进行了接收者操作特性 (ROC) 分析。我们内部测试数据中 1050 项研究的模型 ROC 分析显示，正常和异常脑 MRI 的 AUC/敏感性/特异性为 0.91/83%/86%，急性梗塞为 0.95/92%/88%，急性出血为 0.90/89%/81%，质量效应为 0.93/93%/85%。对于我们外部测试数据中的 1072 项研究，其显示正常和异常脑 MRI 的 AUC/ 灵敏度/特异性为 0.88/80%/80%，急性梗塞的 AUC/ 灵敏度/特异性为 0.97/90%/97%，急性出血的 AUC/ 灵敏度/特异性为 0.83/72%/88%，占位效应的 AUC/ 灵敏度/特异性为 0.87/79%/81%。我们提出的深度卷积网络可以准确识别单个脑 MRI 上的异常和关键颅内发现，同时解决了某些 MR 对比可能在单个研究中不可用的事实。
使用人工智能 (AI) 深度卷积神经网络自动检测肺癌：叙述性文献综述
共计 648 篇文章由两位在肺部重症监护和医院医学领域拥有 10 多年经验的资深医生挑选出来。用于搜索和挑选文章的数据库是 PubMed/MEDLINE、EMBASE、Cochrane 图书馆、Google Scholar、Web of science、IEEEXplore 和 DBLP。所选文章的年份范围为 2008 年至 2019 年之间。从 648 篇文章中挑选出 4 篇，纳入标准如下：1) 18-65 岁，2) CT 胸部扫描，2) 肺结节，3) 肺癌，3) 深度学习，4) 集成和 5) 经典方法。本叙述性评论中使用的排除标准包括：1) 年龄超过 65 岁，2) 正电子发射断层扫描 (PET) 混合扫描，3) 胸部 X 光 (CXR) 和 4) 基因组学。模型性能结果指标通过敏感性、特异性、准确性、受试者工作特征 (ROC) 曲线和曲线下面积 (AUC) 进行测量和评估。
使用多通道卷积和循环神经网络自动检测患者间的癫痫发作
我们提出了一种端到端深度学习模型，可以自动检测多通道脑电图 (EEG) 记录中的癫痫发作。我们的模型结合了卷积神经网络 (CNN) 和双向长短期记忆 (BLSTM) 网络，使用少量可训练参数有效地从 EEG 数据中挖掘信息。具体来说，CNN 会为原始多通道 EEG 数据的每个一秒窗口学习一个潜在编码。同时，BLSTM 会根据 CNN 编码学习癫痫发作表现的时间演变。这些架构的组合使我们的模型能够捕获指示癫痫发作活动的短时间尺度 EEG 特征以及癫痫发作表现中的长期相关性。与大多数先前的癫痫发作检测工作不同，我们通过留一患者交叉验证程序模拟住院监测环境，在所有患者中达到 0.91 的平均癫痫发作检测灵敏度。该策略验证了我们的模型可以推广到新患者。我们证明我们的 CNN-BLSTM 优于传统的特征提取方法和依赖于更大、更复杂的网络架构的最先进的深度学习方法。
使用多...自动检测建筑物变化
关键词：建筑物变化检测，机载 LiDAR 数据，香农熵 摘要：建筑物变化的自动检测是城市区域监测、城市规划和数据库更新的重要过程。在这种情况下，从多时相机载 LiDAR 扫描中获取的 3D 信息是一种有效的替代方法。尽管文献中已经有一些研究，但建筑物和非建筑物中变化区域的分离仍然是一个挑战。为此，提出了一种新的建筑物变化检测方法，其主要贡献是使用高度熵概念来识别建筑物变化区域。实验采用了 2012 年和 2014 年的多时相机载 LiDAR 数据，平均密度约为 5 点/平方米。定性和定量分析表明，所提出的方法在建筑物变化检测方面具有很强的稳定性，能够识别微小变化（大于 20 平方米）。总体而言，变化检测方法的平均完整性和正确性分别约为 97% 和 71%。
使用 LiDAR 点云和 GIS 分析自动检测土地覆盖变化和监测森林演替
摘要：本文探讨了将光探测和测距 (LiDAR) 点云和地理信息系统 (GIS) 分析应用于土地利用和土地覆盖 (LULC) 变化检测的可能性，主要目的是监测后农业土地上发生的不受控制的森林演替。这项研究是在 Milicz 行政区（波兰中西部地区）的一部分进行的。感兴趣的区域是已经放弃农业用途并且森林演替过程已经进展的地块。机载激光扫描 (ALS) 数据（于 2007 年、2012 年和 2015 年获取）揭示了由于森林演替过程的进展而导致的土地覆盖的详细变化。使用 ALS 数据，显示了 LULC 变化和次生林演替的进展，并给出了植被参数（LiDAR 指标）。
光电自动检测及高精度系统...
摘要。本文介绍了可见光和红外频段数字视频处理技术在空中物体实时自动检测和精确跟踪方面的发展成果。开发了基于空中物体实时自动检测和精确跟踪的算法和软件。对算法进行了测试并评估了其性能。通过测量按顺序处理每帧所花费的时间来评估算法的性能。测试结果发现，在执行现场可编程门阵列 (FPGA) 算法时，处理帧所花费的时间与物体配置、帧填充和背景特征无关。当算法在 FPGA 上以 1920x1080 的帧大小执行时，其速度比在个人计算机 (PC) 上的执行速度快 20 倍以上。
使用深度卷积神经网络自动检测局灶性皮质发育不良
局灶性皮质发育不良（FCD）是皮质发育畸形，可能由皮质结构或细胞学异常引起 Kabat 和 Król (2012) 。它是儿童癫痫的首要病因，也是成人癫痫的第三大病因 Lerner 等 (2009) 。磁共振成像（MRI）被广泛用于识别 FCD，因为它可以提供高对比度和分辨率的软组织图像。图 1 显示了三张 T1 加权 MRI 图像（即一张健康图像和两张 FCD 图像）。图 1 (b) 和 (c) 中红色矩形框包围的区域显示了 FCD 的两个典型 MRI 特征：灰质 (GM) -白质 (WM) 边界模糊和皮质增厚。由于 FCD 病变的细微性和脑解剖结构的复杂性，即使对于经验丰富的专家来说，在 MRI 图像上手动识别 FCD 病变也是一项耗时且主观的任务 Rajan et al. (2009) 。在 MRI 图像中，多种组织类型（例如 GM、WM、脑脊液 (CSF)）会影响体素/像素强度，这被称为部分容积效应，