基于胶囊网络的脑肿瘤类型分类
该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法,利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能,得出的结果比现有的最优方法提升了 30 倍以上。
May, 2015
比较 Capsule 网络和卷积神经网络(ConvNets),评估其在医学影像分析中使用少量标注数据和不平衡分类数据的表现,发现 Capsule 网络可以用较少的数据实现相同或更好的性能,并且更具有鲁棒性,非常有前景。
Jul, 2018
本研究使用卷积神经网络 (CNN) 结构,对脑磁共振成像 (MRI) 图像进行分析和分类,以区分良性和恶性脑肿瘤,并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性,结果表明这些技术的子集可以优于基线 CNN 模型。
Jul, 2023
通过对肺结节的自动分类,探究使用胶囊网络作为一种替代卷积神经网络的方法,进一步提出一种具有一致性动态路由机制的 CapsNet,其效率较高, 并提出了一种有效的卷积解码器来解决原始影像重建的问题。
Jun, 2018
本文提出了一个基于卷积胶囊网络的深度学习解决方案,能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类,表现出非常高的准确性和敏感性。
Apr, 2018
我们提出了一种改进的胶囊网络架构,包括新的路由权重初始化技术、利用条件随机场利用主要胶囊激活之间的语义关系的改进 CapsNet 设计和基于 Cholesky 变换的相关模块,为多标签分类任务提供了更好的可扩展性。
Oct, 2018
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型,包括多尺度方法。与以前的工作相比,我们的提案的一个区别是,输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像:脑膜瘤、胶质瘤和垂体瘤,并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中,我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。
Feb, 2024
使用深度学习技术,特别是 ResNet50 模型,进行脑瘤识别的研究表明可以提高脑瘤的精确性,达到 99.54% 的最高准确率。该研究的目标是通过评估和分析的方式,引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。
Sep, 2023
该论文研究了 CapsNets(胶囊网络)的吸引人之处,并聚焦于解锁其全部潜能的三个关键问题:路由算法的有效性、提取更有效的第一层胶囊、以及胶囊网络中的部分关系学习。此外,还展示了 CapsNets 在实际应用中的潜力,包括无人机的自主定位、合成数据集中的四元数旋转预测和生物医学成像中的肺结节分割。该论文的研究结果对于深入理解 CapsNets 并突破复杂的计算机视觉挑战具有重要意义。
May, 2024