End-to-End Parkinson Disease Diagnosis using Brain MR-Images by 3D-CNN
Stanford University(斯坦福大学)
在这项工作中,我们使用一个深度学习框架,基于MR图像和个人信息(即年龄,性别)对帕金森病诊断进行同时分类和回归。我们打算通过我们的深度学习框架来促进和增加帕金森病诊断的信心。
2018-06-13 cs.CV eess.IV
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images
University of South Dakota(南达科他大学);University of Tennessee(田纳西大学);New Jersey City University(新泽西城市大学);Lamar University(拉马尔大学);Gannon University(甘农大学)
本研究深入探究了基于MRI图像的CNN脑肿瘤检测方法,结合聚类特征提取和SoftMax分类,在测试数据上取得99.52%的最高准确率,为医学图像深度学习分析提供了有效工具。
2023-10-26 cs.CV cs.LG eess.IV
A Study of Demographic Bias in CNN-based Brain MR Segmentation
King’s College London(伦敦国王学院);causaLens Ltd.(causaLens有限公司)
卷积神经网络(CNN)正越来越多地用于自动分割磁共振(MR)图像中的脑结构以用于研究。在其他应用中,CNN模型已被证明在训练集中代表性不足时对某些人口统计群体表现出偏见。在这项工作中,我们调查了用于脑MR分割的CNN模型在使用不平衡训练集进行训练时是否有可能包含性别或种族偏见。我们训练FastSurferCNN模型的多个实例,使用白人受试者中不同程度的性别失衡。我们评估这些模型的性能分别为白人男性和白人女性测试集,以评估性别偏见,并进一步评估他们对黑人男性和黑人女性测试集,以评估潜在的种族偏见。我们发现显着的性别和种族偏见的影响,在细分模型的性能。这种偏见有很强的空间成分,某些大脑区域表现出比其他区域更强的偏见。总的来说,我们的研究结果表明,种族偏见比性别偏见更重要。我们的研究表明,在形成基于CNN的脑MR分割训练集时,考虑种族和性别平衡的重要性,以避免通过有偏见的研究结果维持甚至加剧现有的健康不平等。
2022-08-13 cs.CV
Towards integrating spatial localization in convolutional neural networks for brain image segmentation
Univ Lyon(里昂大学);INSA‐Lyon(里昂国立应用科学学院);Université Claude Bernard Lyon 1(里昂第一大学);UJM-Saint Etienne(圣艾蒂安大学);CNRS(法国国家科学研究中心);Inserm(法国国家健康与医学研究院);CREATIS UMR 5220(CREATIS联合研究单位5220);U1206(U1206研究单位)
语义分割是医学成像领域中一个成熟而又快速发展的领域。在本文中,我们专注于脑磁共振图像(MRI)分割成大脑结构使用卷积神经网络(CNN)。CNN通过寻找仅描述补丁内容的有效高维图像特征来实现良好的性能。在这项工作中,我们提出了不同的方法来将空间约束引入网络,以进一步减少预测的不一致性。训练了基于补丁的CNN架构,利用多个尺度来收集上下文信息。通过到地标特征的距离或通过概率图谱的集成在CNN内引入空间约束。我们的实验表明,使用空间信息有助于减少分割不一致。
2018-04-12 cs.CV stat.ML
Investigating certain choices of CNN configurations for brain lesion segmentation
KU Leuven(鲁汶大学);UZ Leuven(鲁汶大学医院)
多年来,脑肿瘤成像一直是临床常规的一部分,用于对肿瘤进行非侵入性检测和分级。肿瘤分割是管理原发性脑肿瘤的关键步骤,因为它允许体积分析对肿瘤生长或缩小进行纵向随访,以监测疾病进展和治疗反应。此外,它还有助于进一步的定量分析,如放射组学。深度学习模型,特别是CNN,已经成为许多医学图像分析应用(包括脑肿瘤分割)的首选方法。在这项研究中,我们研究了基于MRI的脑肿瘤分割的特定任务的CNN模型的主要设计方面。使用两种常用的CNN架构(即DeepMedic和U-Net)来评估学习率、批量大小、损失函数和优化器等基本参数的影响。使用BraTS 2018数据集评估了使用不同配置的CNN模型的性能,以确定最具性能的模型。然后,使用我们的内部数据集评估模型的泛化能力。对于所有实验,与DeepMedic相比,U-Net实现了更高的DSC。然而,仅对于使用FLAIR序列数据的整个肿瘤分割和使用T1 w序列数据的肿瘤核心分割,差异具有统计学意义。当分别使用U-Net和DeepMedic架构训练CNN模型时,初始学习率均设置为0.001的Adam和SGD提供了最高的分割DSC。当使用不同的标准化方法时,没有观察到显著差异。在损失函数方面,软Dice和交叉熵损失的加权组合(加权项设置为0.5)提高了DeepMedic和U-Net模型的分割性能和训练稳定性。
2022-12-02 cs.CV cs.LG eess.IV
Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN
Pakistan Institute of Engineering and Applied Sciences (PIEAS)(巴基斯坦工程与应用科学学院);Ibadat International University(伊巴达特国际大学);University of Engineering and Applied Science (UEAS)(工程与应用科学大学)
脑肿瘤分类对于临床分析和有效的治疗方案至关重要。深度学习模型可以帮助放射科医生准确有效地分析肿瘤,而无需人工干预。然而,脑肿瘤分析是具有挑战性的,因为它的复杂结构,纹理,大小,位置和外观。因此,开发了一种新的基于深度残差和区域的Res-BRNet卷积神经网络(CNN),用于有效的脑肿瘤(磁共振成像)MRI分类。开发的Res-BRNet在修改后的空间和剩余区块内以系统的顺序采用基于区域和边界的操作。此外,空间块提取同质性和边界定义的功能在抽象的水平。此外,在目标水平采用的残差块显著地学习不同类别的脑肿瘤的局部和全局纹理变化。开发的Res-BRNet的效率在标准数据集上进行评估;从Kaggle和Figshare收集,包含各种肿瘤类别,包括脑膜瘤、神经胶质瘤、垂体和健康图像。实验证明,所开发的Res-BRNet优于标准的CNN模型,并在具有挑战性的数据集上获得了优异的性能(准确率:98.22%,灵敏度:0.9811,F-score:0.9841,精度:0.9822)。此外,所提出的Res-BRNet的性能表明了基于医学图像的疾病分析的强大潜力。
2022-12-10 cs.CV cs.LG eess.IV
Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls
Institute of Mental Health, Singapore(新加坡精神卫生研究院);National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);Duke-NUS Medical School(杜克-新加坡国立大学医学院)
卷积神经网络(CNN)已成功应用于自然图像和医学图像的分类,但尚未应用于区分精神分裂症患者和健康对照。考虑到精神分裂症的脑萎缩模式的微妙、混合和稀疏分布,自动特征学习的能力使CNN成为将精神分裂症与对照进行分类的强大工具,因为它消除了选择相关空间特征的主观性。为了研究将CNN应用于基于结构磁共振成像(MRI)的精神分裂症和对照分类的可行性,我们构建了具有不同架构的3D CNN模型,并将其性能与手工制作的基于特征的机器学习方法进行了比较。采用支持向量机作为分类器,采用基于体素的形态学(VBM)作为特征,实现了基于特征的手工机器学习。从头开始训练具有顺序架构、初始模块和残差模块的3D CNN模型。CNN模型比手工制作的基于特征的机器学习实现了更高的交叉验证准确性。此外,在一个独立的数据集上进行测试,3D CNN模型的性能大大优于手工制作的基于特征的机器学习。这项研究强调了CNN使用3D脑MR图像识别精神分裂症患者的潜力,并为基于成像的精神疾病个体水平诊断和预后铺平了道路。
2020-03-14 cs.CV cs.LG eess.IV
Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation
Istanbul Technical University(伊斯坦布尔理工大学);University of Sousse(苏塞大学)
虽然现有的预测框架能够处理欧几里德结构化数据(即大脑图像),但它们可能无法推广到几何非欧几里德数据,如大脑网络。此外,这些都植根于样本选择步骤中使用欧几里得或学习向量化训练和测试大脑网络之间的相似性度量。这样的样本连接组表示可能包括可能误导训练样本选择步骤的不相关和冗余特征。毫无疑问,这未能利用和保护大脑连接体的拓扑结构。为了克服这个主要缺点,我们提出了基于残差嵌入相似性的网络选择(RESNets),用于从单个时间点预测大脑网络的进化轨迹。RESNets首先使用对抗性连接体嵌入网络学习每个训练和测试样本的紧凑几何嵌入。这很好地降低了大脑网络的高维性,同时通过图卷积网络保留了它们的拓扑特性。接下来,为了计算受试者之间的相似性,我们引入了连接大脑模板(CBT)的概念,这是一个固定的网络参考,我们进一步将每个训练和测试网络表示为嵌入空间中与参考CBT的偏差。因此,我们通过比较他们相对于预定义的CBT的学习残差嵌入,选择与基线测试对象最相似的训练对象。一旦在基线选择了最佳训练样本,我们只需在后续时间点对其相应的大脑网络进行平均,即可预测测试网络的进化轨迹。我们在健康和紊乱的大脑网络上的实验表明,与RESNets消融版本和传统方法相比,我们提出的方法是成功的。
2020-09-23 cs.CV cs.LG
Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory
Istanbul Technical University(伊斯坦布尔技术大学);University of Manouba(马努巴大学)
通过观察大脑结构和功能连接的变化,可以发现几种大脑疾病。神经学研究结果表明,早期诊断大脑疾病,如轻度认知障碍(MCI),可以预防甚至逆转其发展为阿尔茨海默病(AD)。在这种背景下,最近的研究旨在通过提出适用于大脑图像的机器学习模型来预测大脑连接性随时间的演变。然而,这种方法是昂贵和耗时的。在这里,我们建议使用大脑的连接作为一个更有效的替代时间依赖性的大脑疾病的诊断,而不是把大脑作为一个大的互连图表征几个大脑区域之间的互连方案。我们将我们提出的方法称为递归脑图映射器(RBGM),这是一种新型的高效的基于边缘的递归图神经网络,它可以从单个基线预测脑图的时间依赖性评估轨迹。我们的RBGM包含一组针对每个时间点的递归神经网络启发的映射器,其中每个映射器旨在将地面真实脑图投影到下一个时间点。我们利用教师强迫方法来促进训练,提高进化的脑图质量。为了保持在每个时间点预测的脑图和它们对应的地面实况脑图之间的拓扑一致性,我们进一步整合拓扑损失。我们还使用l1损失来捕获时间依赖性,并最小化连续时间点的脑图之间的距离以进行正则化。针对RBGM的几种变体和最先进的方法的基准测试证明,我们可以更有效地预测大脑图进化,从而为新的图神经网络架构和高效的训练方案铺平道路。
2021-10-06 cs.CV cs.LG q-bio.NC
Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker
Imperial College London(伦敦帝国理工学院);Academic Medical Center(学术医学中心)
神经成像数据的机器学习分析可以准确预测健康人的实际年龄,而健康大脑老化的偏差与认知障碍和疾病有关。在这里,我们试图进一步建立“大脑预测年龄”作为大脑老化过程中个体差异的生物标志物的凭证,使用基于深度学习的预测建模方法,特别是卷积神经网络(CNN),并应用于预处理和原始T1加权MRI数据。首先,我们的目的是使用健康成年人的大型数据集(N = 2001)来证明CNN大脑预测年龄的准确性。接下来,我们试图建立一个单卵和双卵女性双胞胎(N = 62)的样本大脑预测的年龄的遗传力。第三,我们使用两个样本(扫描仪内N = 20;扫描仪间N = 11)检查了脑预测年龄的重测和多中心信度。生成CNN脑预测年龄,并在所有数据集上与高斯过程回归(GPR)方法进行比较。输入数据是由统计参数映射(SPM)或原始数据生成的灰质(GM)或白质(WM)体积图。脑预测年龄代表了一种准确、高度可靠和遗传有效的表型,有可能用作脑老化的生物标志物。此外,年龄预测可以在原始T1-MRI数据上准确生成,大大减少了新数据的计算时间,使该过程更接近于在临床环境中提供有关大脑健康的实时信息。
2016-12-08 cs.CV cs.LG q-bio.NC
Sub-cortical brain structure segmentation using F-CNN's
CentraleSupelec(巴黎中央高等电力学院);Inria(法国国家信息与自动化研究所);Universite Paris-Saclay(巴黎萨克雷大学);Polytechnique Montreal(蒙特利尔理工学院);University of Montreal(蒙特利尔大学);Sainte-Justine Hospital Research Center(圣朱斯汀医院研究中心)
在本文中,我们提出了一种深度学习方法,用于分割磁共振(MR)图像数据中的人脑皮层下结构。我们从最先进的全卷积神经网络(F-CNN)架构中汲取灵感,用于自然图像中对象的语义分割,并使其适应我们的任务。与以前基于CNN的方法在图像补丁上操作不同,我们的模型应用于完整的2D图像,在测试时没有任何对齐或配准步骤。我们通过将CNN输出解释为马尔可夫随机场(MRF)的电势来进一步改进分割结果,MRF的拓扑结构对应于体积网格。α-扩展用于执行对CNN先验施加空间体积均匀性的近似推断。我们将所提出的管道的性能与使用基于随机森林的先验知识以及最先进的分割算法的类似系统进行比较,并在两个不同的脑MRI数据集上显示出有希望的结果。
2016-02-05 cs.CV
Multi Modal Convolutional Neural Networks for Brain Tumor Segmentation
Istanbul Technical University(伊斯坦布尔理工大学)
在这项工作中,我们提出了一个多模态卷积神经网络(CNN)的方法来分割脑肿瘤。我们研究了如何在CNN框架下有效地结合不同的模态。我们将以前用于视频识别问题的各种融合方法应用于脑肿瘤分割问题,并从内存和性能方面研究了它们的效率。我们的实验在BRATS数据集上进行,引导我们得出这样的结论,即学习每种模态的单独表示并将它们组合用于脑肿瘤分割可以提高CNN系统的性能。
2018-09-20 cs.CV
Brain Tumor Detection Through Diverse CNN Architectures in IoT Healthcare Industries: Fast R-CNN, U-Net, Transfer Learning-Based CNN, and Fully Connected CNN
School of Electrical and Computer Engineering, University of Oklahoma(俄克拉荷马大学电气与计算机工程学院)
本研究比较多种CNN架构(Fast R-CNN、U-Net、迁移学习CNN)在IoT医疗中检测脑肿瘤,Fast R-CNN达99%准确率,EfficientNetB2在外部验证中表现最佳,证明AI模型稳健可靠。
2025-09-06 cs.CV eess.IV
Comparative Analysis of Resource-Efficient CNN Architectures for Brain Tumor Classification
Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校);Bangladesh Army University of Science and Technology(孟加拉国陆军科技大学)
本研究比较了定制CNN与预训练ResNet18、VGG16在脑肿瘤分类中的表现,发现定制CNN在保持高准确率的同时具有更高计算效率,并在少样本学习中展现出良好鲁棒性。
2024-12-23 cs.CV eess.IV
Assessing the Alignment of Popular CNNs to the Brain for Valence Appraisal
KU Leuven, De Nayer Campus, Dept. of Computer Science(KU莱文大学,Nayer校区,计算机科学系);Leuven.AI - KU Leuven Institute for AI(Leuven.AI - KU莱文大学人工智能研究所);Department of Brain and Cognition, Leuven Brain Institute, Faculty of Psychology & Educational Sciences(脑与认知系,Leuven脑研究所,心理学与教育科学学院);Neuropsychiatry, Leuven Brain Institute KU Leuven(神经精神病学,Leuven脑研究所KU莱文大学);Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文通过相关性分析评估流行CNN架构与人类行为及fMRI数据在图像效价评估任务中的对齐情况,并提出Object2Brain框架研究不同物体类别对CNN与人类相关性的影响。
2025-12-03 cs.CV
InfiltrNet: Dual-Branch CNN-Transformer Architecture for Brain Tumor Infiltration Risk Prediction
School of Computing, Wichita State University(维斯科萨大学计算学院)
提出InfiltrNet,结合CNN和Swin Transformer编码器及交叉注意力融合模块,从多模态MRI预测三区浸润风险图,利用距离变换生成标签,在BraTS数据集上优于五个基线模型。
2026-06-23 cs.CV cs.LG
Brain Tumor Detection using Convolutional Neural Networks with Skip Connections
University of Southern California(南加州大学)
该研究面向MRI脑肿瘤良恶性分类,比较加宽、加深及跳跃连接等CNN优化方式,证明合理组合可超越基线模型。
2023-07-14 cs.CV cs.LG eess.IV
Predicting Food Security Outcomes Using Convolutional Neural Networks (CNNs) for Satellite Tasking
获得可靠的数据,描述当地的粮食安全(FSM)的粒度,是信息决策者需要昂贵的和后勤困难的调查,特别是在发展中国家。我们训练一个CNN公开可用的卫星数据描述土地覆盖分类,并使用迁移学习和直接训练建立一个模型,FSM预测纯粹从卫星图像数据。然后,我们提出了有效的任务分配算法,高分辨率卫星资产通过迁移学习,马尔可夫搜索算法,贝叶斯网络。
2019-04-25 cs.CV cs.LG
BiTr-Unet: a CNN-Transformer Combined Network for MRI Brain Tumor Segmentation
New York University(纽约大学)
卷积神经网络(CNN)在自动分割3D医学图像上的器官或病变方面取得了显着的成功。最近,Vision Transformer网络在2D图像分类任务中表现出卓越的性能。与神经网络相比,Transformer网络由于其自注意算法在提取长距离特征方面具有很大的优势。因此,我们提出了一个CNN-Transformer组合模型,称为BiTr-Unet,对多模态MRI扫描的脑肿瘤分割进行了特定的修改。我们的BiTr-Unet在BraTS 2021验证数据集上实现了良好的性能,对于整个肿瘤、肿瘤核心和增强肿瘤,中值Dice评分分别为0.9335、0.9304和0.8899,中值Hausdorff距离分别为2.8284、2.2361和1.4142。在BraTS 2021测试数据集上,Dice评分的相应结果分别为0.9257、0.9350和0.8874,Hausdorff距离的相应结果分别为3、2.2361和1.4142。该代码可在https://github.com/JustaTinyDot/BiTr-Unet上公开获取。
2021-12-30 cs.AI cs.CV cs.LG
Light Weight CNN for classification of Brain Tumors from MRI Images
Georgia State University(佐治亚州立大学)
本文提出一种基于轻量级CNN的MRI脑肿瘤四分类方法,通过预处理、裁剪和Keras Tuner超参数调优及5折交叉验证,实现98.78%的分类准确率,为早期临床诊断提供低复杂度辅助方案。
2025-05-05 cs.AI cs.CV cs.LG
Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors
Friedrich-Alexander-University Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Menoufia University(梅努菲亚大学)
本文提出统一迁移学习架构HT-CNNs,通过集成混合Transformer与卷积神经网络并结合迁移学习,在多种脑肿瘤MRI分割任务上超越BraTS以往获胜方法,为医学图像分割及临床应用提供新方案。
2024-12-11 cs.CV cs.LG eess.IV
Identifying partial mouse brain microscopy images from Allen reference atlas using a contrastively learned semantic space
University of Copenhagen(哥本哈根大学)
当小鼠大脑中的解剖结构被配准到参考图谱时,小鼠大脑显微镜图像的精确识别是至关重要的第一步。从业者通常依赖于图像的手动比较或假设存在完整图像的工具。这项工作探讨了暹罗网络的方法,找到相应的二维参考图谱板给定的部分二维小鼠大脑图像。连体网络是一类卷积神经网络(CNN),其使用权重共享路径来获得输入图像对的低维嵌入。基于使用对比学习从Siamese网络获得的脑切片和图谱板的低维嵌入之间的距离来确定部分小鼠脑图像和参考图谱板之间的对应关系。实验表明,当训练和测试图像来自同一来源时,Siamese CNN可以使用Allen小鼠大脑图谱精确识别大脑切片。他们分别取得了TOP-1和TOP-5的25%和100%的准确率,仅用了7.2秒就识别出了29张图片。
2022-07-21 cs.CV cs.LG stat.ML
Predicting Fluid Intelligence of Children using T1-weighted MR Images and a StackNet
University of California, Santa Barbara(加州大学圣巴巴拉分校);University of California, Irvine(加州大学欧文分校)
在这项工作中,我们利用T1加权MR图像和StackNet来预测青少年的流体智力。我们的框架包括特征提取、特征归一化、特征去噪、特征选择、训练StackNet和预测流体智能。提取的特征是不同脑组织在不同脑分区中的分布。StackNet由三层和11个模型组成。每个层使用来自所有先前层(包括输入层)的预测。拟议的StackNet在公共基准青少年大脑认知发展神经认知预测挑战2019上进行了测试,并在10倍交叉验证的组合训练和验证集上实现了82.42的均方误差。此外,提出的StackNet在测试数据上也达到了94.25的均方误差。源代码可以在GitHub上找到。
2020-05-12 cs.CV cs.LG stat.ML
Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease
UFMG(米纳斯吉拉斯联邦大学);Kunumi;UNIFESP(圣保罗联邦大学);InRad-FMUSP(圣保罗大学医学院放射学研究所(InRad-FMUSP))
深度卷积神经网络(CNN)正在成为使用脑磁共振成像(MRI)进行阿尔茨海默病(AD)半自动诊断的重要模型。虽然高度准确,但深度CNN模型缺乏透明度和可解释性,无法进行充分的临床推理,也不符合大多数当前的监管要求。解释深度图像模型的一个流行选择是遮挡图像区域以隔离它们对预测的影响。然而,现有的用于遮挡脑部扫描的补丁的方法生成的图像在模型训练的分布之外,从而导致不可靠的解释。在本文中,我们提出了一种替代的解释方法,是专门为大脑扫描任务。我们的方法,我们称之为交换测试,产生的热图描绘了最能指示AD的大脑区域,以临床医生可以理解的格式为模型的决策提供了可解释性。实验结果表明,使用公理评价所提出的方法是更适合于解释诊断AD使用MRI,而相反的趋势时,观察到一个典型的闭塞测试。因此,我们相信我们的方法可以解决能够诊断AD的深度神经网络的固有黑盒性质。
2020-04-25 cs.CV cs.LG eess.IV
Attention-based 3D CNN with Multi-layer Features for Alzheimer's Disease Diagnosis using Brain Images
University of Cambridge(剑桥大学)
本文提出基于ResNet的端到端3D CNN框架,通过注意力机制融合多层特征以捕捉脑图像细微差异,在ADNI数据上实现优于现有方法的AD诊断准确率。
2023-08-10 cs.CV eess.IV
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks
Baidu(百度)
为了解决医学图像识别的问题,经常使用像卷积神经网络(CNN)这样的计算机视觉技术。最近,基于3D CNN的模型主导了磁共振图像(MRI)分析领域。由于MRI数据和视频之间的高度相似性,我们对用于MRI分类的视频识别技术进行了广泛的实证研究,以回答以下问题:(1)我们可以直接使用视频识别模型进行MRI分类吗?(2)哪种模型更适合MRI?(3)视频识别中常见的技巧,如数据增强,是否仍然适用于MRI分类?我们的工作表明,先进的视频技术有利于MRI分类。在本文中,四个数据集的阿尔茨海默氏症和帕金森氏症的识别实验中使用,连同三个替代的视频识别模型和数据增强技术,经常应用于视频任务。在效率方面,结果显示,视频框架的性能比3D-CNN模型好5% - 11%,可训练参数少50% - 66%。该报告推动了3D医学成像和视频理解研究的潜在融合。
2023-02-24 cs.AI cs.CV cs.LG
Efficient brain age prediction from 3D MRI volumes using 2D projections
a Division of Medical Informatics, Department of Biomedical Engineering b Division of Statistics \& Machine Learning, Department of Computer;Information Science c Center for Social;Affective Neuroscience, Department of Biomedical;Clinical Sciences d Center for Medical Image Science;Visualization (CMIV) \ \" o ping University, Sweden
在高分辨率医学体积上使用3D CNN对计算要求非常高,特别是对于像英国生物银行这样的大型数据集,其目标是扫描10万名受试者。在这里,我们证明了在3D体积的一些2D投影(代表轴向、矢状和冠状切片的平均值和标准差)上使用2D CNN,在从脑体积预测年龄时,可以获得合理的测试准确度。使用我们的方法,使用单个GPU,具有20,324个主题的一个训练时期需要20 - 50秒,与小型3D CNN相比快了两个数量级。这些结果对于那些无法使用昂贵的GPU硬件进行3D CNN的研究人员来说非常重要。
2023-03-12 cs.CV cs.LG eess.IV
Deep convolutional neural networks for brain image analysis on magnetic resonance imaging: a review
University of Girona(赫罗纳大学);Computer Vision and Robotics Institute(计算机视觉与机器人研究所)
近年来,深度卷积神经网络(CNN)在各种计算机视觉问题中表现出破纪录的性能,例如视觉对象识别,检测和分割。这些方法也被用于医学图像分析领域的病变分割,解剖分割和分类。我们提出了一个广泛的文献综述CNN技术应用于脑磁共振成像(MRI)分析,专注于架构,预处理,数据准备和后处理策略,在这些作品。本研究的目的有三个方面。我们的主要目标是报告不同的CNN架构是如何发展的,讨论最先进的策略,浓缩他们使用公共数据集获得的结果,并检查他们的利弊。其次,本文旨在详细参考深度CNN用于脑MRI分析的研究活动。最后,我们对CNN的未来提出了一个观点,其中我们暗示了未来几年的一些研究方向。
2018-06-11 cs.CV
BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI
Department of Computer Science and Engineering, Bangladesh University of Engineering and Technology(计算机科学与工程系,孟加拉国工程与技术大学)
BrainRotViT通过结合视觉变压器和残差CNN,实现高效可解释的脑衰老预测,优于现有方法并在多个数据集上表现优异。
2026-10-26 cs.CV cs.LG
Deep CNN ensembles and suggestive annotations for infant brain MRI segmentation
Ecole de Technologie Superieure (ETS), University of Quebec(魁北克大学高等技术学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Xidian University(西安电子科技大学);Korea University(高丽大学)
婴儿脑组织的精确3D分割是对早期脑发育进行全面体积研究和定量分析的重要一步。然而,计算这样的分割是非常具有挑战性的,特别是对于6个月大的婴儿大脑,这是由于图像质量差,以及婴儿大脑MRI固有的其他困难,例如,白质和灰质之间的等强度对比以及由于脑体积小而引起的严重的部分容积效应。本研究探讨了半密集全卷积神经网络(CNN),它采用T1加权和T2加权的MR图像作为输入的合奏的问题。我们表明,合奏协议是高度相关的分割错误。因此,我们的方法提供的措施,可以指导本地用户的更正。据我们所知,这项工作是第一个用于在图像中建议注释的3D CNN集成。此外,受最近密集网络成功的启发,我们提出了一种新的架构SemiDenseNet,它将所有卷积层直接连接到网络的末端。我们的架构允许在训练过程中有效地传播梯度,同时限制参数的数量,需要的参数比流行的医学图像分割网络(如3D U-Net)少一个数量级。我们工作的另一个贡献是研究早期或晚期融合多种图像模态可能对深层架构性能的影响。我们报告了对MICCAI iSEG-2017挑战赛6个月婴儿大脑MRI分割的公开数据的评估,并在21个团队中显示出非常有竞争力的结果,在大多数指标中排名第一或第二。
2017-12-19 cs.CV
Statistical inference of the inter-sample Dice distribution for discriminative CNN brain lesion segmentation models
University of Ottawa(渥太华大学)
判别卷积神经网络(CNN),其中体素的条件Multinoulli分布假设,在许多脑病变分割任务中表现良好。对于要在临床实践中使用的经训练的区分性CNN,将患者的放射学特征输入到模型中,在这种情况下,产生分割的条件分布。捕捉预测的不确定性对于决定是放弃一个模型,还是在竞争模型中进行选择非常有用。然而,在实践中,我们永远不知道真实分割,因此永远不知道真实的模型方差。在这项工作中,区分性CNN的分割采样用于通过分析新患者的样本间Dice分布来评估训练模型的鲁棒性,仅基于他们的磁共振(MR)图像。此外,通过证明样本间Dice观测值在一定条件下是独立和同分布的,具有有限的均值和方差,提出了一种严格的基于置信度的决策规则,以决定是否拒绝或接受特定患者的CNN模型。应用于ISLES 2015(SISS)数据集,该模型将7个预测确定为不稳健,对其余大脑计算的平均Dice系数提高了12%。
2021-02-19 cs.CV eess.IV stat.AP
Machine learning approach to brain tumor detection and classification
Peachtree Ridge High School(桃树岭高中);Everlove Christian School(永爱基督学校);North Gwinnett High School(北格温内特高中);Horizon Christian Academy(霍里顿基督学院);Seckinger High School(塞金格高中);Massachusetts Institute of Technology(麻省理工学院)
本研究利用多种统计和机器学习模型对脑MRI图像进行肿瘤检测与分类,发现CNN性能最佳,并能区分正常、胶质瘤、脑膜瘤和垂体瘤四类,助力早期准确诊断。
2024-11-06 cs.CV cs.LG
Predicting Cognitive Decline with Deep Learning of Brain Metabolism and Amyloid Imaging
Cheonan Public Health Center(天安公共卫生中心);Korea Advanced Institute of Science and Technology(韩国科学技术院)
为了有效治疗阿尔茨海默病(AD),重要的是识别最有可能表现出快速认知衰退的受试者。在此,我们开发了一种基于深度卷积神经网络的新框架,该框架可以使用氟脱氧葡萄糖和氟倍他平正电子发射断层扫描(PET)预测轻度认知障碍(MCI)患者未来的认知下降。该网络的架构仅依赖于AD和正常受试者的基线PET研究作为训练数据集。该方法不需要进行特征提取和复杂的图像预处理,包括非线性变形。MCI患者转化为AD的预测准确性(84.2%)优于传统的基于特征的量化方法。ROC分析显示,基于CNN的方法的性能显著高于传统的定量方法(p < 0.05)。网络的输出分数与认知测量的纵向变化密切相关。这些结果显示了深度学习作为使用大脑图像预测疾病结果的工具的可行性。
2017-04-20 cs.AI cs.CV stat.ML
A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks
Indian Statistical Institute(印度统计研究所);DAV Institute of Engineering and Technology(DAV工程技术学院)
受卷积神经网络(CNN)成功的启发,我们开发了一种新的计算机辅助检测(CADe)系统,使用CNN从多通道MRI数据中检测和分割多形性胶质母细胞瘤(GBM)。两阶段方法首先识别GBM的存在。随后在每个“异常”MR切片中进行GBM定位。作为CADe系统的一部分,采用两种CNN架构,即分类CNN(C-CNN)和检测CNN(D-CNN)。CADe系统将由四个序列($T_1$、$T_{1c},$、$T_2$和$T_{2FLAIR}$)组成的MRI数据视为输入,并自动生成包含每个切片中被视为异常的肿瘤区域的边界框。实验结果表明,所提出的CADe系统,当用作分割前的初步步骤时,可以允许改进的肿瘤区域的描绘,同时减少在大脑的正常区域中出现的假阳性。用于肿瘤分割的GrowCut方法通常需要前景和背景种子区域进行初始化。在这里,该算法的初始化种子自动生成的建议CADe系统的输出,从而导致在改进的性能相比,使用随机种子。
2018-06-20 cs.CV
Incorporating Task-Specific Structural Knowledge into CNNs for Brain Midline Shift Detection
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Kharkevich Institute for Information Transmission Problems(哈尔克维奇信息传输问题研究所);Moscow Institute of Physics and Technology(莫斯科物理技术学院);Center for Diagnostics and Telemedicine(诊断与远程医疗中心);Burdenko Neurosurgery Institute(布尔坚科神经外科研究所)
中线移位(MLS)是一个公认的用于预测创伤性脑损伤、中风和脑肿瘤结局的因素。ACR数据科学研究所最近强调了自动估计MLS的重要性。在本文中,我们介绍了一种新的基于深度学习的方法来解决MLS检测问题,该方法利用了特定于任务的结构知识。我们评估我们的方法在一个大型数据集上包含具有显着MLS的异构图像,并表明其平均误差接近专家间的变异性。最后,我们通过在常规临床实践中获得的外部数据集上验证该方法,展示了该方法的鲁棒性。
2019-12-14 cs.CV eess.IV
MRI Volume-Based Robust Brain Age Estimation Using Weight-Shared Spatial Attention in 3D CNNs
Centre for Brain Research(脑研究中心);Indian Institute of Science(印度科学学院)
本研究提出一种带权重共享空间注意力模块的3D CNN脑年龄估计方法,无需跨数据集重训练,在ADNI和OASIS3数据集上均取得优于现有方法的表现,提升了模型鲁棒性与泛化性。
2024-07-09 cs.CV eess.IV
A deep learning approach for brain tumor detection using magnetic resonance imaging
Chulalongkorn University(朱拉隆功大学);European University of Bangladesh(孟加拉国欧洲大学);University of Liberal Arts Bangladesh(孟加拉国文科大学)
脑组织中异常细胞的生长导致脑肿瘤。脑肿瘤被认为是儿童和成人中最危险的疾病之一。它发展迅速,如果不适当治疗,患者的生存前景很渺茫。正确的治疗计划和精确的诊断对于提高患者的预期寿命至关重要。脑肿瘤的诊断主要使用磁共振成像(MRI)。作为基于卷积神经网络(CNN)的图示的一部分,已经提出了包含五个卷积层、五个最大池化层、平坦层和两个密集层的架构,用于从MRI图像检测脑肿瘤。该模型包括一个自动特征提取器,修改后的隐藏层结构,和激活功能。通过对多个测试用例的测试,该模型在较低的交叉熵率下获得了98.6%的准确率和97.8%的精确率。与相邻特征传播网络(AFPNet)、基于掩码区域的CNN(mask RCNN)、YOLOv 5和傅立叶CNN(FCNN)等方法相比,该模型在检测脑肿瘤方面具有更好的性能。
2022-10-25 cs.CV cs.LG eess.IV
Deep Multi-Branch CNN Architecture for Early Alzheimer's Detection from Brain MRIs
University of Texas at Austin(德克萨斯大学奥斯汀分校);California State University Fullerton(加州州立大学富勒顿分校)
本文提出一种含7866819参数的深度多分支CNN架构,基于ADNI数据集,以99.05%准确率实现早期AD三分类诊断。
2023-06-17 cs.CV cs.LG eess.IV
Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection and Localization
Bangladesh University of Engineering & Technology(孟加拉工程技术大学);Arizona State University(亚利桑那州立大学)
本文提出一种基于MRI和CNN的高效脑肿瘤检测与定位架构,准确率达99.17%,并结合GradCAM定位肿瘤区域及多机器学习模型评估,辅助医生提升诊断准确性。
2025-03-09 cs.AI cs.CV eess.IV
A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint
Istanbul Technical University(伊斯坦布尔技术大学);University of Dundee(邓迪大学)
通过分析连接解剖区域对的连接权重的变化来预测大脑网络(也称为连接体)的演变,可以在早期阶段发现与连接性相关的神经系统疾病,并检测潜在的连接体异常的发展。值得注意的是,这样一个具有挑战性的预测问题在预测连接组学文献中仍然很少探索。众所周知,机器学习(ML)方法已经在各种各样的计算机视觉问题中证明了它们的预测能力。然而,专门用于从单个时间点预测大脑连接进化轨迹的ML技术几乎不存在。为了填补这一空白,我们组织了一场Kaggle竞赛,20个参赛团队设计了先进的机器学习管道,用于预测单个时间点的大脑连接演变。竞争团队通过数据预处理,降维和学习方法的组合开发了他们的ML管道。利用包容性评估方法,我们根据两个互补的评估指标(平均绝对误差(MAE)和皮尔逊相关系数(PCC))及其使用不同训练和测试数据扰动策略(单随机分割和交叉验证)的性能对方法进行了排名。最终排名是使用所有评估措施和验证策略中每个竞争团队的排名乘积计算的。为了支持开放科学,GitHub上提供了开发的20个ML管道以及连接组数据集。这项竞赛的结果预计将导致预测模型的进一步发展,这些模型可以预见大脑连接随时间的演变,以及其他类型的网络(例如,基因网络)。
2021-09-16 cs.AI cs.CV cs.LG
Modelling brain lesion volume in patches with CNN-based Poisson Regression
University of Ottawa(渥太华大学)
监测病变进展对于临床缓解非常重要。病灶体积等汇总统计量客观且易于解释,可帮助临床医生评估病灶生长或衰减。CNN通常用于医学图像分割,因为它们能够在大的背景下产生有用的特征,以及它们相关的高效迭代的基于块的训练。许多CNN架构需要数十万个参数来产生良好的分割。在这项工作中,一个有效的,计算成本低的CNN实现估计的病变体素的数量在一个预定义的补丁大小从磁共振(MR)图像。CNN的输出被解释为补丁上的条件泊松参数,允许采用标准的小批量梯度下降。使用ISLES 2015(SISS)数据对模型进行训练和评估,通过从原始特征估计病变体积,准确识别了86%配对样本块的病变体积较大的病变图像。一个参数的发展和使用估计病变体积,也有助于模型选择分割。
2020-11-26 cs.CV eess.IV
A Computation-Efficient CNN System for High-Quality Brain Tumor Segmentation
Concordia University(康考迪亚大学)
本文提出一种基于专用CNN范式的低计算量脑肿瘤分割系统,通过7层仅108个卷积核的定制设计、前置数据缩减与后置细化模块及Full-ReLU激活函数,在BRATS2018上实现了可靠且高质量的分割性能。
2021-08-13 cs.CV cs.LG eess.IV
Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation
King’s College London(伦敦国王学院);University College London(伦敦大学学院)
脑肿瘤的自动分割对于脑肿瘤的诊断、手术规划和治疗效果评估具有重要意义。深度卷积神经网络(CNN)已被广泛用于此任务。由于用于训练的数据集相对较小,训练时的数据增强通常用于CNN的更好性能。最近的工作也证明了在测试时使用增强的有用性,除了训练时间,以实现更强大的预测。我们研究了测试时增强如何提高CNN在脑肿瘤分割中的性能。我们使用了不同的支撑网络结构,并在训练和测试时通过3D旋转,翻转,缩放和添加随机噪声来增强图像。利用BraTS 2018训练集和验证集进行的实验表明,测试时增强有助于提高脑肿瘤分割精度,并获得分割结果的不确定性估计。
2018-11-28 cs.CV
Ensemble of 3D CNN regressors with data fusion for fluid intelligence prediction
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
在这项工作中,我们的目标是预测儿童的流体智力分数的基础上,结构T1加权磁共振图像从最大的长期研究大脑发育和儿童健康。目标变量回归的数据收集网站,社会人口统计变量和脑容量,从而独立于潜在的信息因素,这是不直接相关的大脑功能。我们研究了特征提取和深度学习方法以及不同的深度CNN架构及其集成。我们提出了一种先进的VoxCNN集成架构,在盲测试中产生MSE(92.838)。
2019-05-25 cs.CV cs.LG eess.IV
GloResNet: A lightweight 3D CNN with global topological features for preterm brain injury prediction
Image Computing Laboratory, Shaanxi University of Science and Technology(陕西科技大学图像计算实验室);Department of Neonatology, Shenzhen University of Advanced Technology General Hospital(深圳先进技术医院新生儿科);Department of Neurosurgery, The First Affiliated Hospital of Xi’an Jiaotong University(西安交通大学第一附属医院神经外科);CSIRO Technology(澳大利亚CSIRO技术)
提出基于ResNet-10的轻量级3D CNN GloResNet,结合全局流形映射和预处理策略,在dHCP数据集上实现早产儿脑损伤预测,平均准确率75.18%。
2026-06-01 cs.CV
BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection
School of Mathematics, Physics and Computing, University of Southern Queensland(南方昆士兰大学数学、物理与计算学院);School of Engineering, University of Southern Queensland(南方昆士兰大学工程学院)
提出BrainFusionNet混合模型,结合CNN、ViT和GRU提取MRI空间、上下文和序列特征,并集成SHAP、LIME和GradCAM进行可解释性分析,在公开数据集上达到98%准确率,优于SOTA CNN。
2026-06-18 cs.CV
General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification
Islamic Azad University, Central Tehran Branch(伊斯兰阿扎德大学德黑兰中央分校);Charles University(查理大学)
本研究比较了三种CNN架构在脑肿瘤分类中的表现,发现通用网络ConvNeXt-Tiny在数据稀缺情况下表现更优,而领域特定预训练模型泛化能力有限。
2026-02-27 cs.AI cs.CV
Predicting isocitrate dehydrogenase mutation status in glioma using structural brain networks and graph neural networks
University of Cambridge(剑桥大学);Nanyang Technological University(南洋理工大学);University of Bath(巴斯大学)
脑胶质瘤是一种常见的恶性脑肿瘤,患者的生存率不同。异柠檬酸脱氢酶(IDH)基因突变对胶质瘤的诊断和预后有重要价值。基于治疗前MRI的无创性预测IDH突变具有重要意义。机器学习/深度学习模型在使用MRI预测IDH突变方面表现出合理的性能。然而,大多数模型忽略了肿瘤侵袭引起的系统性脑改变,其中沿白质束的广泛浸润是胶质瘤的标志。结构脑网络提供了一种有效的表征大脑组织的工具,它可以被图神经网络(GNN)捕获,以更准确地预测IDH突变。在这里,我们提出了一种方法来预测IDH突变使用GNN,基于结构的大脑网络的患者。具体来说,我们首先构建一个网络模板的健康受试者,包括地图集的边缘(白质束)和节点(皮层/皮层下的大脑区域),以提供感兴趣的区域(ROI)。接下来,我们使用自动编码器从患者的边缘和节点的ROI中提取潜在的多模态MRI特征,以训练GNN架构来预测IDH突变。结果表明,该方法优于使用3D-CNN和3D-DenseNet的基线模型。此外,模型解释表明其识别肿瘤浸润的管道的能力,对应于临床先验知识。总之,将大脑网络与GNN集成为使用计算神经科学和计算机视觉方法研究大脑病变提供了一条新途径。
2021-09-10 cs.CV eess.IV q-bio.NC
Predicting skull fractures via CNN with classification algorithms
Shahjalal University of Science and Technology(沙赫贾拉尔科技大学)
计算机断层扫描(CT)图像对于诊断疾病已经变得相当重要。CT扫描切片包含大量的数据,这些数据可能无法使用正常的视觉检查以必要的精度和速度进行适当检查。需要一个计算机辅助的颅骨骨折分类专家系统来协助医生。卷积神经网络(CNN)是用于图像分类的最广泛使用的深度学习模型,因为它们通常在准确性和结果方面优于其他模型。然后开发和测试了CNN模型,并比较了几种卷积神经网络(CNN)架构。ResNet50用于结合梯度提升决策树机器学习算法的特征提取,以作为将来自脑CT扫描的颅骨骨折分类为三个骨折类别的分类器,其具有用于颅骨骨折分类的最佳总体F1评分96%、汉明评分95%、平衡准确度评分94%和ROC AUC曲线96%。
2022-08-14 cs.AI cs.CV cs.LG
MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN
Zhejiang University of Technology(浙江工业大学);Fourth Military Medical University(第四军医大学);Utron Technology Co., Ltd.(欧创科技有限公司)
磁感应断层成像(MIT)是一种有效的脑疾病长期监测解决方案,其重点是利用非侵入式电磁场重建人脑内的生物阻抗分布。然而,高质量的脑图像重建仍然具有挑战性,因为从测量的弱信号重建图像是一个高度非线性和病态的问题。在这项工作中,我们提出了一个生成对抗网络(GAN)增强MIT技术,命名为MITNet,基于复杂的卷积神经网络(CNN)。在真实世界数据集上的实验结果验证了我们的技术的性能,比最先进的方法高出25.27%。
2021-02-16 cs.CV
Recurrent Multigraph Integrator Network for Predicting the Evolution of Population-Driven Brain Connectivity Templates
BASIRA Lab(巴希拉实验室);Istanbul Technical University(伊斯坦布尔理工大学)
学习如何从大脑多重图的群体中估计连接大脑模板(CBT),其中每个图(例如,功能)量化了感兴趣的大脑区域(ROI)之间的特定关系,允许确定个体之间共享的独特连接模式。具体地,CBT被视为一组高度异构图的整体表示,并且理想地满足中心性(即,到群体中所有图的最小距离)和判别性(即,区分健康人群和紊乱人群)标准。到目前为止,现有的工作仅限于整合和融合在一个单一的时间点获得的大脑多图人口。在本文中,我们前所未有地解决了这个问题:给定一个基线多重图人群,我们能否学习如何在后续时间点整合和预测其CBT表示?解决这个问题对于预测健康和疾病人群的共同变化至关重要。为了填补这一空白,我们提出了递归多图积分器网络(ReMI-Net),这是第一个图递归神经网络,它可以推断输入群体t1的基线CBT,并预测其随时间的纵向演变(ti> t1)。我们的ReMI-Net由具有图卷积层的递归神经块组成,使用跨节点消息传递来首先学习每个CBT节点的隐藏状态嵌入(即,感兴趣的脑区域),然后预测其在连续时间点的演变。此外,我们设计了一种新的时间依赖性损失来规范CBT随时间的演化轨迹,并进一步引入循环递归和可学习的归一化层,以从时间依赖性隐藏状态嵌入生成中心良好的CBT。最后,我们从学习的隐藏状态图表示中推导出CBT邻接矩阵。
2021-10-06 cs.CV cs.LG q-bio.NC
SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using Stein's Unbiased Risk Estimate
Stanford University(斯坦福大学)
卷积神经网络(CNN)已经成为解决计算成像重建问题的强大工具。然而,CNN通常是难以理解的黑匣子。因此,很难知道它们何时会起作用,更重要的是,它们何时会失败。这种限制是其在安全关键应用(如医学成像)中使用的主要障碍:重建中的斑点是伪影还是肿瘤?在这项工作中,我们使用Stein的无偏风险估计(SURE)来开发每像素的置信区间,以热图的形式,使用基于CNN的去噪器的近似消息传递(AMP)框架进行压缩感知重建。这些热图告诉最终用户对CNN形成的图像的信任程度,这可以大大提高CNN在各种计算成像应用中的效用。
2021-04-20 cs.CV eess.IV
3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation
Vo Thien Nhan Institute of Engineering, Ho Chi Minh City University of Technology (HUTECH), Vietnam(越南胡志明市技术大学(HUTECH)工程学院);Ho Bac Nam Faculty of Computer Science and Engineering, Ho Chi Minh City University of Technology (HCMUT), Vietnam National University Ho Chi Minh City (VNU-HCM), Vietnam(越南胡志明市技术大学(HCMUT)计算机科学与工程学院,越南胡志明市国家大学(VNU-HCM))
本研究开发了带随机噪声注入数据增强的3D CNN用于阿尔茨海默病脑MRI分类,五折交叉验证下准确率达0.912、AUC达0.961,验证了简单增强的有效性并为后续研究指明方向。
2025-06-17 cs.CV cs.LG eess.IV
A CNN Approach to Automated Detection and Classification of Brain Tumors
1, 2, 7Dept. of Computer Science \& Engineering, University of Rajshahi, Bangladesh 3Dept. of Computer Science \& Engineering, Khulna University of Engineering \& Technology, Khulna, Bangladesh 4Dept. of Computer Science \& Engineering, Rajshahi University of Engineering \& Technology, Rajshahi, Bangladesh 2, 3, 4, 5, 6 Dept. of Computer Science \& Engineering, Varendra University, Rajshahi, Bangladesh
本文提出一种基于CNN的脑肿瘤自动检测与分类方法,利用各向异性扩散滤波器对3264张MRI图像去噪,并采用SMOTE进行数据增强,通过比较ResNet152V2、VGG、ViT和EfficientNet等模型,发现EfficientNet分类准确率最高达98%。
2025-02-13 cs.AI cs.CV