Aug, 2023

重新审视 N-CNN 的临床实践

PDF
TL;DR通过优化超参数并评估其对分类指标、解释性和可靠性的影响，本文重新研究了新生儿卷积神经网络 (N-CNN)，并讨论了其在临床实践中的潜在影响。
neonatal convolutional neural networkhyperparametersclassification metricsexplainabilityreliability
发现论文，激发创造
  • 使用卷积神经网络进行神经状况分类

    本研究使用卷积神经网络模型在非脑电数据集中成功区分四种神经状况，所得结果比传统方法如 SVM 和 RF 更优，在噪声较大的数据集上准确率仍可达到 97.46%。

    Apr, 2021

  • 基于比例缩放的卷积神经网络在新生儿脑电图中实现专家级癫痫检测

    新生儿癫痫发作的检测模型使用大规模数据和模型规模，达到了国际领先水平，并具有与专家水平的等效性。

    May, 2024

  • 卷积神经网络用于医学图像分析：完全训练还是微调？

    本研究旨在解答在医学图像分析的背景下，如何才能让使用具有足够精细调整过的预训练深度 CNN 能够消除从头开始使用 CNN 进行训练的需求这一核心问题。在考虑了医学成像应用中的分类，检测和分割等方面时，我们的实验结果一致表明：1）使用经过足够精细调整的预训练 CNN 显著优于或者和从头开始训练的 CNN 一样好；2）相比于从头开始训练的 CNN，精细调整的 CNN 更加稳健；3）浅调整和深度调整都不是特定应用的最佳选择；4）我们的逐层精细调整方案可以根据可用数据量为手头的应用程序提供达到最佳性能的实用方法。

    Jun, 2017

  • 使用卷积神经网络预测睡眠质量

    利用卷积神经网络结构对现代智能科技中可捕获的人类睡眠数据进行分类，提高睡眠阶段识别精度，并在三个公开数据集上与传统机器学习方法如逻辑回归、决策树、K 最近邻、朴素贝叶斯和支持向量机进行基准测试的性能表现进行对比，以此为未来研究模拟奠定基础。

    Apr, 2022

  • 凸化卷积神经网络

    介绍一种凸化卷积神经网络方法，利用再现核希尔伯特空间将卷积滤波器表示为向量，并将 CNN 参数表示为低秩矩阵，进而通过凸优化求解 CNN，其泛化误差与最优 CNN 一致，CCNNs 通过逐层训练使其在性能上与基线方法相当。

    Sep, 2016

  • 现实临床环境下鲁棒的新生儿面部检测

    本文通过使用专有数据集对 You-Only-Look-Once（YOLO）算法进行训练，实现了对新生儿面部特征的快速准确检测，进而为自动化系统（例如疼痛识别和监控）提供帮助。

    Apr, 2022

  • 使用全卷积体系结构从原始多通道脑电图中检测新生儿发作性病的研究

    使用深度学习架构处理婴儿的脑电信号，并通过卷积层仅处理原始信号以检测癫痫发作，相较于传统的基于手工特征表达的机器学习方法，表现更优，同时可以更有效地利用可用的训练数据。

    May, 2021

  • 通过卷积神经网络提升医学影像诊断技术

    使用改进的 DenseNet 架构，本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究，重点关注其可解释性、有效性和伦理问题，并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现，同时指出了连续模型改进上的需求，团队合作和伦理考虑也被提出，以便在放射学诊断中负责任地部署卷积神经网络。

    Nov, 2023

  • 滤波器共享：用于体卷积参数的高效学习

    本文介绍了一种在训练期间利用卷积神经网络（CNNs）中学习到的滤波器的显着冗余的方法，通过找到一组小滤波器和混合系数来推导每个卷积层中的每个滤波器，从而减少训练参数。作者使用 CT 图像进行 3D 肺结节分割，证明了该方法只需要少量训练例子即可获得良好的结果。

    Dec, 2016

  • 神经网络超参数优化的有效算法

    本文中提出了一种基于箱限制数学优化问题的方法，运用光滑径向基函数模型及无导数优化工具去寻找神经网络的最佳参数。该方法是自动的且可有效地搜索参数空间，其应用于药物相互作用的预测中具有良好的效果，并且所用的优化工具是开源的。

    May, 2017