Mar, 2024

自动化双折叠加权集成算法及其在脑肿瘤检测和分类中的应用

PDF
TL;DR提出了两种创新的双层加权投票集成模型，旨在提高加权集成方法的效果，通过选择概率最高的分类结果（第一种方法）和最高加权预测（第二种方法）来确定最优结果。这些方法显著提高了加权集成技术的整体性能，并通过与软投票技术的对比分析证明了其优越性和有效性。
发现论文，激发创造
  • 基于自适应加权均值集成的乳腺癌分类

    乳腺癌早期检测是减少疾病影响的最佳途径之一。本研究提出了一种使用自适应平均集成的方法来检测乳腺癌，与之前文献使用训练前平均集成和同时训练的平均集成不同。自适应平均集成模型的准确率达到了 98%，比集成中最佳模型的 97% 要好，同时有效减少了假阳性和假阴性的数量，提升了性能指标。

    Nov, 2023

  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 注意力增强的混合特征聚合网络用于三维脑肿瘤分割

    基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

    Mar, 2024

  • 一种用于宫颈细胞学分类的投票 - 叠加集成 Inception 网络

    通过使用投票集成策略将三个 Inception 网络作为基学习器并通过投票集成集成它们的输出，结合了元学习器和多级集成框架的方法，在 SIPakMed、Herlev 和 Mendeley 数据集上实现了 100%、100% 和 100% 的准确率，优于当前最先进的方法，减轻了筛查工作量，帮助病理学家检测宫颈癌。

    Aug, 2023

  • WATUNet: 用于体量扫描图像超声分割的深度神经网络

    通过使用卷积神经网络和波及注意力机制，结合音速微运动成像（VSI）技术，研究人员提出了一种名为 Wavelet_Attention_UNet（WATUNet）的新型分割模型，该模型在乳腺癌诊断方面具有突出表现，在两个数据集上的 Dice 系数和 F1 得分均超过了其他深度网络的表现。

    Nov, 2023

  • 儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

    该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

    Aug, 2023

  • 基于深度空间关注和硬度加权损失的 T2 加权 MRI 听神经瘤自动分割

    介绍了一种应用于 vestibular schwannoma MRI 图像的 2.5D 卷积神经网络，该网络利用了所应用成像协议中不同的平面分辨率，使其精度和鲁棒性得到提升，并通过引入注意力机制以及权重逐渐递增的 Dice 损失函数对其进行了优化。实验表明，该方法能有效提高分割精度，为患者管理提供了重要参考。

    Jun, 2019

  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 具有 SIBOW-SVM 的鲁棒脑 MRI 图像分类

    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

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023