Nov, 2023

具有 SIBOW-SVM 的鲁棒脑 MRI 图像分类

PDF
TL;DR本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法，该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合，有效捕捉隐藏的图像特征，实现不同肿瘤类型的区分和准确的标签预测，并能够估计图像属于每个类别的概率，从而提供高置信度的分类决策。通过将 SIBOW-SVM 应用于包含四个类别的脑肿瘤 MRI 图像的公共数据集，结果表明该方法优于包括 CNN 在内的最先进方法。
发现论文，激发创造
  • 利用磁共振成像和数据包含的机器学习算法量化胶质母细胞瘤的肿瘤内遗传异质性，以实现精准医学

    使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

    Dec, 2023

  • 基于深度学习的脑肿瘤分类和分割

    该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

    Apr, 2023

  • 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

  • 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

  • 脑瘤分类的迁移学习的比较评估使用 MRI

    利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类，在基准数据集中，ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调，在不使用数据增强方法的情况下，通过保持数据集平衡以提高准确度的重要性，并通过 F1 分数、AUC、精确度和召回率等评估指标实验性地验证了我们的方法并与其他分类算法进行比较。

    Sep, 2023

  • 使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

    针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

    Nov, 2023

  • 使用 Swin Transformer 进行脑肿瘤检测

    通过应用 Swine Transforms 和深度学习来检测、分类、定位和提供特定 MRI 扫描中肿瘤大小的方法可以帮助医生和放射科医生提高效率，并在 PDF 格式中下载预测和测量。

    May, 2023

  • 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

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023