Feb, 2024

在医学影像中整合预处理方法和卷积神经网络以实现有效的肿瘤检测

PDF
TL;DR该研究使用卷积神经网络（CNN）在医学图像中提供了一种机器学习方法来检测肿瘤。该研究侧重于预处理技术，以增强与肿瘤检测相关的图像特征，并开发和训练了一个 CNN 模型以实现准确分类。通过采用高斯平滑、双边滤波和 K-means 聚类等各种图像处理技术来预处理输入图像并突出肿瘤区域。所提出的方法在医学图像中准确检测肿瘤的实验结果表明其有效性，为提高医疗诊断工具铺平了道路。
machine learningtumor detectionconvolutional neural networksimage processing techniquesmedical images
发现论文，激发创造
  • 卷积神经网络识别图像处理操作

    本研究提出了一种基于卷积神经网络的方法，适应性地学习鉴别特征以识别典型的图像处理操作，其优于基于手工特征及三个与图像隐写和 / 或取证有关的基于卷积神经网络的方法，且取得了最先进的结果。

    Sep, 2017

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 使用具有跳过连接的卷积神经网络进行脑肿瘤检测

    本研究使用卷积神经网络 (CNN) 结构，对脑磁共振成像 (MRI) 图像进行分析和分类，以区分良性和恶性脑肿瘤，并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性，结果表明这些技术的子集可以优于基线 CNN 模型。

    Jul, 2023

  • 卷积神经网络在医学图像分析中的应用综述

    研究医学图像分析的最新技术，特别是使用机器学习中的深度卷积网络实现医学图像分析，深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。

    Sep, 2017

  • 卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例

    该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了 Inceptionv3 架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

    Apr, 2024

  • 卷积神经网络用于人脸皮肤病变检测

    该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

    Feb, 2024

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 皮肤病变分类的改进拓扑图像预处理

    本文提出了一种修改后的拓扑数据分析模型，用于皮肤图像预处理和增强，通过使用皮肤病变数据集 HAM10000 来识别图像相关区域中的重要对象，并利用深度卷积神经网络和视觉变换器模型对原始数据集和预处理数据集进行评估，实验结果表明使用修改后的拓扑数据分析预处理的图像表现出更好的性能。

    Aug, 2023

  • 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