May, 2024

MpoxSLDNet：一种新型 CNN 模型用于检测猴痘病变及与预训练模型性能比较

PDF
TL;DR介绍了一个名为 MpoxSLDNet（Monkeypox Skin Lesion Detector Network）的卷积神经网络模型，用于早期检测和分类数字图像中的天花病毒皮损和非天花病毒皮损，并相比传统预训练模型如 VGG16、ResNet50 和 DenseNet121 在性能指标上提供了卓越的表现，同时对存储空间的需求也显著减少，从而在资源受限的医疗环境中提出了实用的解决方案。
发现论文，激发创造
  • 利用深度学习模型检测猴痘皮损：可行性研究

    本文开发了一个 “猴痘皮肤病变数据集”，并使用多种预训练深度学习模型对猴痘及其他疾病进行分类，最终实现了一个在线筛查工具。虽然初步结果有所希望，但需要更大样本的数据集以进一步提高模型的泛化能力。

    Jul, 2022

  • 基于最先进深度学习模型的基质毒素皮肤病变检测系统，考虑种族多样性

    本研究旨在建立包含 Mpox 和其他感染性皮肤病的图像数据集，利用深度学习模型完成图像分类，研究结果表明使用由 HAM10000 数据集预训练的权重来实现迁移学习能够获得最佳的分类准确度。

    Jun, 2023

  • 基于卷积神经网络的预训练模型在猴痘检测和预测方面的比较分析

    本研究采用多个基于 CNN 的预训练模型 (包括 VGG-16，VGG-19，Restnet50，Inception-V3，Densnet，Xception，MobileNetV2，Alexnet 和 Lenet) 对猴痘、水痘、麻疹和其他疾病进行分类，得出了它们之间的区别，以便更早地发现新冠疫情之后引起的猴痘病例，填补医疗保健专业人员对这种罕见疾病的认识的空白。

    Jan, 2023

  • 基于改良的 SE-InceptionV3 的猴痘病识别模型

    利用改进的 SE-InceptionV3 模型，本研究通过在 InceptionV3 框架中嵌入 SENet 模块和 L2 正则化的方式提高了猴痘病的检测准确性，通过对 Kaggle 猴痘数据集的测试，模型在测试集上表现出 96.71% 的显著准确度，在区分多样和复杂病例中，超越了传统方法和深度学习模型，验证了模型在精确度、召回率和 F1 得分方面的优势，不仅提供了对高级 CNN 架构在医学诊断中的应用洞察，也为进一步研究模型优化和超参数调整以提高疾病识别打开了研究途径。

    Mar, 2024

  • 一种可解释的迁移学习解决方案，用于从智能手机图像中检测 mpox

    本文研究采用深度学习技术基于皮损图像检测猴痘病毒，通过构建数据集，选择最合适的卷积神经网络并进行优化和量化，在移动设备上实现检测，以期在低收入国家等医疗基础设施薄弱的地区提高病毒的早期筛查率。

    May, 2023

  • 超快、超轻的基于 ConvNet 的智能监测系统，随时随地诊断早期 Mpox

    通过开发一种名为 Fast-MpoxNet 的超快超轻网络，结合关注点特征融合模块和多辅助损失增强策略以优化模型能力，使用迁移学习和五折交叉验证，实现了 94.26% 的准确率和 0.80 的实用性分数，在猴痘早期病情诊断方面达到 93.65% 的召回率，并开发了一个名为 Mpox-AISM V2 的应用系统，能够在不同实际环境下为公众和个人提供准确而实时的诊断。

    Aug, 2023

  • 深度学习技术在猴痘疾病检测中的最新进展调查

    通过对皮肤病变图像进行深度学习方法的自动检测，本文调查了猴痘的诊断，包括深度卷积神经网络、深度卷积神经网络集成、深度混合学习、新开发的视觉变换器。此外，本文还介绍了基准数据集的收集、预处理技术和评估度量。该调查还简要介绍了新兴概念，指出了研究空白、限制和应用，并概述了诊断过程中的挑战。这项调查提供了对深度学习研究的有价值的见解，预计将为研究人员提供一个路径。

    Nov, 2023

  • 一种基于 CNN-LSTM 的混合深度学习方法，用于检测猴痘推文情感极性

    本研究使用基于 CNN 和 LSTM 的混合技术来分析社交媒体上关于 Monkeypox 疾病的用户反应，研究发现推荐模型在猴痘推文数据集上的准确度为 94％，并提供了与传统机器学习方法的比较。

    Aug, 2022

  • SyMPox: 基于症状的自动猴痘检测系统使用 XGBoost

    采用 XGBoost 算法的独立应用程序 SyMPox，基于症状模式分析并提供准确的 Monkeypox 诊断。

    Oct, 2023

  • COVID-19 南非疫苗犹豫模型在 M-pox 推文上进行微调后性能提升

    自 2022 年 5 月开始报告了大量非传染病国家的 M-pox 病例，让许多人担心 M-pox 疫情会迅速过渡到另一次大流行，与此同时 COVID-19 疫情仍在肆虐。鉴于 M-pox 与 COVID-19 的相似性，我们选择测试在南非 Twitter 数据上训练的 COVID-19 模型在手动标记的 M-pox 数据集上进行微调前后的性能。从南非获得的 20,000 多个与 M-pox 相关的推文通过手动标记为积极、消极或中性。在将这些 COVID-19 模型在 M-pox 数据集上进行微调后，F1 分数提高了超过 8％，接近 70％，但仍优于最先进的模型和众所周知的分类算法。使用基于 LDA 的主题建模程序比较了原始 COVID-19 RoBERTa 模型与其微调版本中误分类的 M-pox 推文，从这个分析中，我们能够得出如何构建更复杂模型的结论。

    Oct, 2023