Aug, 2023

考虑数据不均衡的可解释的代价敏感深度神经网络用于脑 MRI 图像中的脑肿瘤检测

PDF
TL;DR这篇论文提出了使用卷积神经网络 (CNN)、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括 CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的 InceptionV3 模型的准确率为 99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近 4% 的成果。成本敏感的 InceptionV3 (CS-InceptionV3) 和 CNN (CS-CNN) 在不平衡数据集上分别显示出 92.31% 的准确率和 1.00 的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。
发现论文，激发创造
  • 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

  • 基于 BreaKHis 数据集的乳腺癌深度学习架构比较分析

    通过对 BreakHis 数据集中的乳腺癌病例进行深度学习模型的评估，本研究发现 Xception 模型在诊断准确率、F1 得分等方面表现最佳，对于正确诊断乳腺癌具有重要意义，为改进乳腺癌诊断方法和促进新治疗策略的创建做出了重要贡献。

    Sep, 2023

  • 提高乳腺癌诊断在乳房 X 射线摄影中：卷积神经网络和可解释人工智能的评估和集成

    通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高 AI 决策的可解释性，为医学专业人员和患者提供更好的协作。

    Apr, 2024

  • 可解释的对比与成本敏感学习在宫颈癌分类中的应用

    本研究提出了一种高效的系统，利用预训练的卷积神经网络对宫颈癌细胞进行分类，通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能，使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKMeD 数据集上进行广泛实验评估了所提出的系统。实验结果表明，该系统的效果显著，准确率达到了 97.29%。为了增强系统的可信度，我们采用了若干可解释的 AI 技术解释模型达到特定决策的方式。系统的实现可在此链接中找到 - this https URL

    Feb, 2024

  • 基于细粒度梯度保持的脑肿瘤分类的深度融合模型

    该研究提出了一种精确的大脑肿瘤分类方法，通过融合预训练的 ResNet152V2 和修改的 VGG16 模型，在深度神经网络中保留细微的梯度以实现有效的肿瘤分类，并结合各种图像处理技术来改善图像质量，准确度分别达到 98.36% 和 98.04%，并且在资源受限的边缘设备上能够平滑部署。

    Jun, 2024

  • 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

  • 可解释且成本敏感的深度神经网络通过监督对比学习进行肠胃疾病分类

    本文介绍了一种新方法，通过利用费用敏感的预训练深度卷积神经网络和有监督对比学习分类胃肠疾病，以捕获与疾病相关的关键特征，并考虑样本之间的相似性关系，从而为医疗保健中的准确疾病分类提供帮助。作者还结合了可解释人工智能的梯度技术，提高了模型的可解释性，并在广泛的胃肠疾病数据集上进行了测试，证明了该方法的高度准确度、强韧性和可解释性。

    Jul, 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

  • 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