Apr, 2023

基于深度学习的脑肿瘤分类和分割

PDF
TL;DR该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。
brain tumorsmachine learningmridiagnosistreatment
发现论文，激发创造
  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023

  • 利用深度学习在磁共振图像中进行脑肿瘤多分类和分割

    本研究提出了一种基于深度学习的模型用于对磁共振成像（MRI）扫描中的脑肿瘤进行分类和分割。该模型通过 EfficientNetB1 体系结构进行图像分类，基于 U-Net 体系结构进行精确的肿瘤分割，并在公共数据集上得到了高准确率和分割度量，表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。

    Apr, 2023

  • 使用多尺度卷积神经网络的深度学习方法进行脑肿瘤分类和分割

    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

  • 基于深度学习方法的脑肿瘤检测

    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

  • 深度神经网络用于脑肿瘤分割

    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

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 恶性胶质母细胞瘤脑瘤的检测和分类

    本文提出了两种深度学习模型，UNet 和 Deeplabv3，用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤，实验结果表明，Deeplabv3 在准确性上优于 UNet，但需要更多的计算资源，这些模型为胶质母细胞瘤脑肿瘤的早期检测和分割提供了一种有前途的方法。

    Apr, 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

  • 在 MRI 图像中利用自定义迁移学习简化脑肿瘤分类

    使用自定义的转移学习网络，我们提出了一种通过 MRI 图像对脑肿瘤进行有效分类的解决方案，采用了 VGG-19 架构与额外隐含层的轻量模型，以降低计算复杂性并提高分类准确性，最终得到了 96.42% 的分类准确率。

    Oct, 2023

  • 使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

    针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

    Nov, 2023