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
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
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
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
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
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
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
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
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