brain tumors | BriefGPT - AI 论文速递

关键词brain tumors

搜索结果 - 42

基于细粒度梯度保持的脑肿瘤分类的深度融合模型
该研究提出了一种精确的大脑肿瘤分类方法，通过融合预训练的 ResNet152V2 和修改的 VGG16 模型，在深度神经网络中保留细微的梯度以实现有效的肿瘤分类，并结合各种图像处理技术来改善图像质量，准确度分别达到 98.36% 和 98.
PDF6 days ago
智能医学图像分析中的多尺度图像融合系统探索
这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以
PDFa month ago
基于影响力的脑部磁共振成像噪声鲁棒训练方法
本文研究了在噪声的核磁共振图像上训练深度学习模型以分类脑肿瘤的困难但现实的情景，提出了两种对抗噪声的训练方法：基于影响函数的样本重新加权（ISR）和基于影响函数的样本扰动（ISP）。通过实验证明 ISR 和 ISP 可以高效地训练出对噪声训
PDF4 months ago
通过隐私保护的 MRI 分析推动医疗保健
通过采用 Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了 94% 的全局模型精度和 96% 的集成模型精度。
PDF4 months ago
MOAB: 脑肿瘤分级的组织病理图像和基因数据融合的多模态外部算术块
基于组织学分级和遗传数据，本研究提出了一种新颖的多模态外部算术块（MOAB）用于预测脑瘤等级，并通过广泛实验评估了该方法的有效性。将 MOAB 应用于癌症基因组图谱（TCGA）的胶质瘤数据集中，结果表明它可以提高相似类别（等级 2 和 3）
PDF4 months ago
使用血红素和伊红素全切片图像的多实例学习用于胶质瘤诊断：一个印度队列研究
该研究使用多个特征提取器和聚合器，通过对脑瘤组织病理学进行多实例学习实验，为精确诊断和个体化治疗策略提供了更新的性能基准，包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取
PDF4 months ago
脑癌检测的体内高光谱人脑影像数据库
该研究论文介绍了在欧洲项目 HELIcoiD（高光谱成像癌症检测）的框架内开发了第一个活体人类脑组织高光谱数据库的方法，该数据库中包含了用于在神经外科手术期间实时描绘脑肿瘤的高光谱图像和超过 300,000 个光谱标记。
PDF5 months ago
从多参数 MRI 预测脑肿瘤缺氧
该研究论文提出了一种使用多参数磁共振成像（MRI）来预测脑肿瘤缺氧的新方法。研究使用基于深度学习模型的 MRI 扫描预测方法，通过学习 MRI 特征与 FMISO PET 信号之间的复杂关系，实现从 MRI 扫描中准确预测缺氧。结果表明，预
PDF5 months ago
训练和比较 nnU-Net 和 DeepMedic 方法用于儿童脑肿瘤自动分割
通过多机构儿童专用多参 MRI 扫描数据训练，我们比较了两种基于深度学习的三维分割模型，即 DeepMedic 和 nnU-Net，在脑肿瘤分割方面的性能，结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 De
PDF6 months ago
多模神经网络检测脑肿瘤
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。
PDF6 months ago
现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断
利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。
PDF6 months ago
将边缘融入 U-Net 模型并使用可解释的激活图进行脑肿瘤分割，基于 MR 图像
通过使用边缘地面真实度的方法，与基线 U-Net 和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与 Swin U-Net 和混合 MR-U-Net 等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘
PDF6 months ago
基于深度学习、注意机制和能量预测的脑肿瘤分割
本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。
PDF6 months ago
HiFi-Syn: 高保真合成预留结构 MRI 图像的分层细粒度判别
通过层次粒度判别，结合多个语义信息级别，对医学图像进行保留结构信息的合成与翻译，包括像素级判别、结构级判别和整体级判别，有效提升对病态结构如脑肿瘤等进行综合诊断的性能。
PDF7 months ago
基于 CycleGAN 和联合扩散的两阶段生成模型用于基于 MRI 的脑肿瘤检测
提出了一种新颖的 Two-Stage Generative Model (TSGM) 框架，基于 CycleGAN 和 Variance Exploding stochastic differential equation using jo
PDF8 months ago
推进脑肿瘤检测：对 CNN、聚类和 SoftMax 分类在 MRI 图像分析中的深入研究
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。
PDF8 months ago
在 MRI 图像中利用自定义迁移学习简化脑肿瘤分类
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。
PDF8 months ago
BTDNet: 用于脑肿瘤放射基因分类的多模态方法
本文提出了一种新颖的多模态方法，BTDNet，利用多参数 MRI 扫描来预测 MGMT 启动子甲基化状态，该方法在 RSNA-ASNR-MICCAI BraTS 2021 挑战中表现出色，为增强脑肿瘤诊断和治疗提供了有希望的途径。
PDF9 months ago
基于深度学习方法的脑肿瘤检测
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。
PDF9 months ago
基于 Swin UNETR 的脑肿瘤手术 MRI - 超声配准的密集误差图估计
提出了一种基于深度学习的新框架，利用超声引导下的磁共振成像和超声图像注册技术，自动评估 MRI-iUS 注册的质量，并首次展示其在 iUS 引导下的脑肿瘤切除手术中的实际临床数据上的表现。
PDF10 months ago