Apr, 2023

用 EfficientNet 算法分类不同类型的癌症

PDF
TL;DR本文使用 EfficientNet 算法对脑肿瘤、乳腺癌、胸癌和皮肤癌进行分类，并使用公开可用的数据集，在保证一致性和可比性的基础上进行预处理。实验结果表明，EfficientNet 算法在各种癌症数据集上均取得了高准确度、精确度、召回率和 F1 得分，优于文献中其他最先进的算法。我们还讨论了 EfficientNet 算法的优点和缺点，以及其在临床实践中的潜在应用。我们的研究结果表明，EfficientNet 算法非常适合于对不同类型的癌症进行分类，并可用于改善癌症诊断的准确性和效率。
发现论文，激发创造
  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023

  • CEIMVEN：一种基于经修改的 EfficientNet（V1-V2）架构的尖端实现方法，用于乳腺癌超声图像的检测与分类

    利用深度学习方法，通过超参数调整、完全连接层添加、异常值剔除等措施，用于检测和分析乳腺癌的超声图像，结果表明 EfficientNet 架构在乳腺癌早期检测和分型方面具有巨大潜力。

    Aug, 2023

  • 评估 LeNet 算法在伊拉克肿瘤教学医院 / 国家癌症疾病中心的肺癌分类中的应用

    使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

    May, 2023

  • 基于深度迁移学习的乳腺癌图像分类方法

    提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

    Apr, 2024

  • 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

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 利用迁移学习模型进行骨肉瘤肿瘤检测

    本文探讨了使用多种迁移学习模型进行骨肉瘤检测的性能，结果显示使用 InceptionResNetV2 模型获得了最佳的准确度 (93.29%) 和精度 (0.8658)。

    May, 2023

  • 一种高效的深度学习模型，利用重建和微调技术对脑肿瘤进行分类

    本文提出了一种基于迁移学习的新型深度学习方法，通过对大量前处理和算法优化，尝试用多种转移学习算法来对 3,064 张 MRI 图像进行轻松地识别分类，得到了非常高的准确率，特别是 ResNet50V2 模型达到了 99.68% 的准确率，使神经学家和临床医生能够快速准确的诊断脑肿瘤患者。

    May, 2023

  • 通过精细调整的 EfficientNet 深度学习架构优化性能，提升 COVID-19 检测能力

    使用深度学习算法和经过微调的 EfficientNetB4 模型，结合放射学影像技术（尤其是胸部 X 射线）快速准确地识别 COVID-19 患者，并提供了有效的肺部疾病检测方法，为医疗图像诊断领域带来了有益的研究。

    Nov, 2023