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

本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

Jan, 2024

本文提出使用卷积神经网络（Convolutional Neural Networks）直接从影像数据预测脑胶质母细胞瘤分级的方法，从而避免了需要专家标注感兴趣区域的需求，并且通过可解释性方法检查分类是否使用了与肿瘤分级相关的影像区域作为质量保证阶段。

Sep, 2018

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

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

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

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。

Nov, 2023

本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

Dec, 2020

基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域，通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量，训练两个分别用于健康和肿瘤组织的核字典，并通过基于相关性的样本选择技术，选择了最具信息和辨别力的特征向量子集，进而利用线性分类器根据学到的字典对健康和不健康像素进行区分，实验证明该方法在分割精度上优于其他现有方法，并显著减少了训练所需的时间和内存，从而实现了极快的训练过程。

Oct, 2023

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