Jun, 2023

采用深度学习技术对免疫荧光幻灯片进行解读：抗核抗体案例研究

PDF
TL;DR本研究通过使用深度学习技术，利用卷积神经网络（CNN）等高级技术，及早检测免疫疾病中的异常情况，提供有效的医疗解决方案。研究结果证明该方案被 Tunis 指挥的主要军事医院免疫学部门采纳并评价为非常有帮助的工具。
immunity diseasesdeep learningconvolutional neural networkshealthcare solutionsanomalies detection
发现论文，激发创造
  • 利用深度神经网络检测疟疾细胞

    使用深度学习方法自动化检测疟疾感染细胞，通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习，实现高准确率、精确度和召回率，证明其在疟疾诊断中的潜力，且开发了 Streamlit 的网络应用以提供上传细胞图像和接收疟疾感染预测的用户友好的技术。

    Jun, 2024

  • 基于深度卷积神经网络的显微镜点滴诊断

    本文使用深度卷积神经网络对三个不同的显微镜任务（血液涂片中的疟原虫，痰液样本中的结核菌和粪便样本中的肠道寄生虫卵）进行评估，结果表明准确性非常高，远远优于其他代表传统医学成像技术的替代方案。

    Aug, 2016

  • 自动传染病分类分析与概念发现

    本文介绍了医学图像分析的概念探索方法，用于自动识别传染病，如结核病和猴痘。提出了一种新的概念发现方法 NMFx，可以在不同的场景下进行监督、非监督和弱监督学习。

    Aug, 2022

  • 卷积神经网络在医学图像分析中的应用综述

    研究医学图像分析的最新技术，特别是使用机器学习中的深度卷积网络实现医学图像分析，深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。

    Sep, 2017

  • 一种数据高效的深度学习框架，用于组织病理学图像的分割和分类

    该论文中介绍了一种利用深度学习方法对人体组织进行皮肤肌炎活检的细胞自动分类和分割的方法，在细胞分类和分割方面的表现均有所提升，该方法对研究自身免疫性疾病的细胞组成有着可靠的应用前景。

    Jul, 2022

  • X 光成像、MRI 和核成像案例研究

    本文综述了医学成像技术中使用人工智能特别是深度学习方法如卷积神经网络来协助医生快速而准确地诊断疾病。

    Jun, 2023

  • 基于卷积神经网络的人类疾病症状关系探索性分析

    本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

    Feb, 2023

  • 基于机器学习和深度学习技术的自动化基于网络的疟疾检测系统

    我们使用传统的 CNN 和迁移学习模型（VGG19、InceptionV3 和 Xception）来构建深度学习技术，用于疟疾感染细胞分类。测试结果显示，深度 CNN 具有最高的准确度（97%），其次是 Xception（95%）。用户可以通过网页界面上传血涂片图像进行疟疾检测。

    Jun, 2024

  • 基于深度学习的植物病害图像检测

    利用 54,306 张植物叶片图像数据，训练深度卷积神经网络以识别 14 种作物和 26 种疾病，并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术，实现智能手机辅助作物疾病诊断的可行性。

    Apr, 2016

  • 基于人工智能的临床级组织病理学异常检测

    通过提出一种深度异常检测方法，以仅需常见疾病的训练数据为基础，可可靠地检测出胃肠活检中异常病理变化的广泛谱系，包括罕见的原发性或转移性癌症，从而在临床病理学中实现了基于人工智能的异常检测的首个有效临床应用，有效地提高了 AI 模型的安全性，推动了 AI 在日常诊断和其他领域的应用与自动化。

    Jun, 2024