使用 Swin Transformer 进行脑肿瘤检测
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
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
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。
Apr, 2023
利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类,在基准数据集中,ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调,在不使用数据增强方法的情况下,通过保持数据集平衡以提高准确度的重要性,并通过 F1 分数、AUC、精确度和召回率等评估指标实验性地验证了我们的方法并与其他分类算法进行比较。
Sep, 2023
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
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
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
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
该研究提出了一种基于 3D Transformer 的分割方法,采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征,通过在公共数据集中对脑肿瘤的分割实验验证,证明其优于其他目前最先进的方法。
Apr, 2023
本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法,该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合,有效捕捉隐藏的图像特征,实现不同肿瘤类型的区分和准确的标签预测,并能够估计图像属于每个类别的概率,从而提供高置信度的分类决策。通过将 SIBOW-SVM 应用于包含四个类别的脑肿瘤 MRI 图像的公共数据集,结果表明该方法优于包括 CNN 在内的最先进方法。
Nov, 2023