该论文提出了一个基于机器学习的系统，通过MRI图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。
Apr, 2023
本研究提出了一种基于深度学习的模型用于对磁共振成像（MRI）扫描中的脑肿瘤进行分类和分割。该模型通过EfficientNetB1体系结构进行图像分类，基于U-Net体系结构进行精确的肿瘤分割，并在公共数据集上得到了高准确率和分割度量，表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。
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
使用深度学习技术，特别是ResNet50模型，进行脑瘤识别的研究表明可以提高脑瘤的精确性，达到99.54%的最高准确率。该研究的目标是通过评估和分析的方式，引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。
Sep, 2023
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
使用卷积神经网络和磁共振成像数据进行脑肿瘤的准确检测具有潜在对早期诊断和患者护理的影响。
本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。
Jan, 2024
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的MRI图像：脑膜瘤、胶质瘤和垂体瘤，并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含233名患者3064张切片的公开可用的MRI图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中，我们的方法以0.973的肿瘤分类准确度明显高于使用相同数据库的其他方法。
Feb, 2024
通过机器学习（集成学习）开发一个脑肿瘤检测的预测系统。
Jul, 2024