Nov, 2022

利用深度神经进化算法从功能磁共振邻接矩阵预测原发性脑肿瘤分级

PDF
TL;DR本研究使用深度神经进化法训练卷积神经网络，通过功能性连接判别人脑肿瘤类型 (HGG/LGG)，在仅使用 30 个邻接矩阵进行训练的情况下，取得了理想的测试集准确性，并发现网络学到了高度复杂的特征。
functional mrineural activityadjacency matrixartificial intelligencebrain tumor
发现论文，激发创造
  • 使用卷积神经网络和质量评估从 MRI 数据自动分级脑肿瘤

    本文提出使用卷积神经网络（Convolutional Neural Networks）直接从影像数据预测脑胶质母细胞瘤分级的方法，从而避免了需要专家标注感兴趣区域的需求，并且通过可解释性方法检查分类是否使用了与肿瘤分级相关的影像区域作为质量保证阶段。

    Sep, 2018

  • 使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述

    通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

    May, 2024

  • 有限、异构数据的深度神经进化：运用小型虚拟池化图像集的神经母细胞瘤脑转移概念证明应用

    本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

    Nov, 2022

  • FBNETGEN: 基于任务感知的基于 GNN 的 fMRI 分析方法：通过功能性脑网络生成

    FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架，旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用，并提供了通过突出预测相关的大脑区域进行独特解释的学习图。

    May, 2022

  • 深度神经进化在脑转移疾病的病情进程评估中的直接应用

    本研究通过深度神经进化 (DNE) 技术，实现对转移性脑疾病进行智能分类，旨在为肿瘤的进展或缩小提供全面且自动化的评估方式。研究结果表明，该方法在小型训练集下取得了较高精度。

    Mar, 2022

  • 可解释性脑网络分类的对比图池化

    本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

    Jul, 2023

  • 用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络

    采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

    Jul, 2023

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021

  • 神经图：脑连接组学图机器学习基准

    介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

    Jun, 2023

  • 多模神经网络检测脑肿瘤

    本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

    Jan, 2024