Jul, 2023

使用具有跳过连接的卷积神经网络进行脑肿瘤检测

PDF
TL;DR本研究使用卷积神经网络 (CNN) 结构，对脑磁共振成像 (MRI) 图像进行分析和分类，以区分良性和恶性脑肿瘤，并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性，结果表明这些技术的子集可以优于基线 CNN 模型。
convolutional neural networksbrain tumorsmrioptimization techniquesaccuracy
发现论文，激发创造
  • 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

  • 推进脑肿瘤检测：对 CNN、聚类和 SoftMax 分类在 MRI 图像分析中的深入研究

    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

  • 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

  • 基于胶囊网络的脑肿瘤类型分类

    本论文通过采用 Capsules 网络结构，解决了医学图像数据如 MRI 图像的处理问题，同时优化了神经网络的结构以提高大脑肿瘤分类问题的准确性，并解决过拟合问题。

    Feb, 2018

  • 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

  • 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

  • 三维卷积神经网络用于胶质母细胞瘤分割

    本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法，该方法能够识别 MRI 上的高级肿瘤结构，具有比现有方法更好的性能。

    Nov, 2016

  • 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

  • 使用远程 2D 上下文的 3D 卷积神经网络进行肿瘤分割

    提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

    Jul, 2018

  • 基于卷积神经网络的三维磁共振成像数据前列腺癌分类

    评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

    Apr, 2024