提出了 LightTBNet,一种新颖的轻量级、快速和高效的深度卷积网络,专门用于从 X 射线图像中检测结核病,拥有出色的性能和快速预测,适用于在结核病高发地区使用的便携设备。
Sep, 2023
通过深度学习和图像处理,研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性,通过与多个经过预训练的迁移学习模型进行比较,该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。
Oct, 2023
该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法,同时考虑 X 射线和 CT 扫描图像,使得 COVID-19 检测的测试准确率分别为 84.67%和 98.78%,并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比,为 COVID-19 检测和感染区域定位提供了有前景的结果。
Apr, 2020
使用多任务学习方法,在医学诊断中对肺音和肺疾病进行同时分类,结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果,并应用于慢阻肺患者的风险水平计算中,使用随机森林分类器达到了 92% 的准确率,从而减轻了医生的负担。
Apr, 2024
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
基于深度学习的残差卷积神经网络模型在多类别胸部感染诊断中展示了 93% 的准确率,但对纤维化等不同类别的性能差异表明了自动医学图像诊断的复杂性和挑战,同时为未来的研究提供了方向和改进建议。
Nov, 2023
对比了八种主要的深度学习模型在肺部 X 射线图像数据集上的二元分类性能,发现 DenseNet169 和 MobileNet 表现出较高的准确率。
通过引入一种新的深度学习方法,结合 DRDA-Net 和 MobileNet 模型,旨在提高乳腺癌组织病理图像的分类准确性,从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。
Mar, 2024
本研究旨在通过使用 MODS 方法和无镜头显微镜来便利和自动化诊断结核病,同时使用 U-Net 网络对数据集进行自动分割,以预测结核病的发生。结果显示出对结核病细胞的自动分割表现出很好的精确度,因此可有望用于结核病的自动诊断。
Apr, 2021
本研究采用基于两种广泛应用的预训练卷积神经网络(VGG16 和 Inception V3)的集成方法,旨在将糖尿病性视网膜病变(DR)分为五个不同的类别。通过冻结预训练模型中的部分层,使用全局平均池化层将输出特征映射转换为固定长度向量,并将这些向量连接起来形成输入图像的综合表示。在 APTOS 数据集的训练和验证集上对集成模型进行训练,并在测试集上表明该模型对 DR 分类具有 96.4% 的准确性。
Aug, 2023