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
该研究提出了一种多模态学习框架,用于从医学图像中提取有关Isocitrate Dehydrogenase(IDH) 基因突变的特征,以预测胶质瘤的基因型。实验结果表明,该模型优于基线深度学习模型,提供了一种预测胶质瘤基因型的新方法。
Mar, 2022
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。
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
使用卷积神经网络和磁共振成像数据进行脑肿瘤的准确检测具有潜在对早期诊断和患者护理的影响。
Oct, 2023
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
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
本研究解决了脑肿瘤早期诊断中的关键问题,提出了一种综合深度学习框架,能够从磁共振成像(MRI)中有效定位、分割和分类肿瘤。通过改进的LinkNet框架和集成学习方法,我们的模型在分割和分类准确性上达到了96%和98.53%的高性能,有望促进医疗人工智能的发展,改善患者治疗方案。
Sep, 2024
本研究解决了低级别胶质瘤中1p/19q基因共缺失状态预测的重要性,以改进治疗计划及患者随访。我们提出了一种全新构建的MRI基于卷积神经网络模型,避免了传统迁移学习模型的不足,在125个共缺失与31个非共缺失影像上的分类精度显著提升,F1-score达96.37%。
本研究解决了脑肿瘤快速准确诊断的需求,提出了一种基于卷积神经网络(CNN)的方法,通过有效提取MRI图像特征来识别肿瘤的存在。研究表明,该模型的准确率高达99.17%,展示了深度学习在脑肿瘤诊断中的潜在应用价值,显著提升了医生的诊断准确性。
Oct, 2024