Feb, 2024

使用迁移学习预测胶质瘤的生存和分级

PDF
TL;DR本研究介绍了一种新的方法，利用迁移学习技术准确检测和预测高度恶性脑胶质母细胞瘤的生存和分级。实验结果表明，该方法在生存预测方面达到 65% 的准确率，将患者分为短期、中期和长期生存三个类别；在肿瘤分级方面达到 97% 的准确率，可以准确区分低级别和高级别脑胶质母细胞瘤。迁移学习的有效性使得这种方法超越了现有的最先进方法，为改进脑胶质母细胞瘤患者的诊断和治疗方法提供了希望。
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

  • 一种启用 Transformer 架构的综合多模态深度学习生存预测方法：一个胶质母细胞瘤多中心研究

    通过整合磁共振图像、临床数据和分子病理数据，应用基于 transformer 的深度学习模型改进了胶质母细胞瘤存活预测，在处理数据异质性和性能泛化性方面取得了突破。

    May, 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

  • 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

  • 利用迁移学习模型进行骨肉瘤肿瘤检测

    本文探讨了使用多种迁移学习模型进行骨肉瘤检测的性能，结果显示使用 InceptionResNetV2 模型获得了最佳的准确度 (93.29%) 和精度 (0.8658)。

    May, 2023

  • 使用卷积神经网络和质量评估从 MRI 数据自动分级脑肿瘤

    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

  • 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

  • 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

  • 优化脑肿瘤分类：关于深度学习模型中的迁移学习和不平衡处理的综合研究

    通过利用预训练的卷积神经网络，结合深度学习和迁移学习的方法，本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类，实现了 96% 的准确率。

    Aug, 2023

  • 学习未学习特征用于脑肿瘤分割

    本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

    May, 2023