首页/论文/1905.10550

arXiv 1905.105502019-05-25eess.IVcs.CVcs.LGstat.AP

三维CNN回归函数的数据融合增强及其流体智能预测

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）

Marina Pominova, Anna Kuzina, Ekaterina Kondrateva, Svetlana Sushchinskaya, Maxim Sharaev, Evgeny Burnaev, and Vyacheslav Yarkin

备注：: 10 pages, 1 figure, 2 tables
发表信息：: ABCD Neurocognitive Prediction Challenge, Springer LNCS, 2019

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

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）。

英文摘要：

In this work, we aim at predicting children's fluid intelligence scores based on structural T1-weighted MR images from the largest long-term study of brain development and child health. The target variable was regressed on a data collection site, socio-demographic variables and brain volume, thus being independent to the potentially informative factors, which are not directly related to the brain functioning. We investigate both feature extraction and deep learning approaches as well as different deep CNN architectures and their ensembles. We propose an advanced architecture of VoxCNNs ensemble, which yield MSE (92.838) on blind test.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

阿尔茨海默病早期预测的人工智能技术研究进展

A Review of Artificial Intelligence Technologies for Early Prediction of Alzheimer's Disease

School of Engineering, Lakehead University（湖首大学工程学院）

阿尔茨海默氏病（AD）是一种严重的大脑疾病，破坏记忆和大脑功能。AD可引起慢性、进行性、不可逆的认知功能减退和脑损伤。利用医学影像技术和计算机辅助算法对早期痴呆进行可靠有效的评估已成为重要的研究课题。这一趋势已经转移到现代人工智能（AI）技术，其动机是在图像分类和自然语言处理方面取得了深刻的成功。本文综述了深度学习算法在评估痴呆过程、诊断早期AD方面的最新研究，并讨论了该研究的前景。本文介绍了现代人工智能算法在AD诊断中的各种应用，包括卷积神经网络（CNN）、递归神经网络（RNN）、自动图像分割、自动编码器、图CNN（GCN）、包围学习和迁移学习。所提出的方法和它们的性能的优点和缺点进行了讨论。结论部分总结了主要的贡献和医学影像预处理技术在回顾性研究中的应用。最后，我们讨论了局限性和未来展望。

2020-12-22cs.CVcs.LGeess.IV

眼科中的生成式人工智能：基于卷积神经网络的多模态视网膜图像用于阿尔茨海默病诊断

Generative artificial intelligence in ophthalmology: multimodal retinal images for the diagnosis of Alzheimer's disease with convolutional neural networks

本研究利用生成式AI（DDPM）合成多模态视网膜图像，预训练CNN以预测阿尔茨海默病相关AmyloidPET状态，结合元数据将AUPR提升至0.634。

2024-06-26cs.CVcs.LGeess.IV

基于RTK透视投影的无人机图像水果检测与地理定位的人工智能系统

An Artificial Intelligence System for Combined Fruit Detection and Georeferencing, Using RTK-Based Perspective Projection in Drone Imagery

Outfield Technologies（奥特菲尔德科技公司）

这项工作提出了一个基于快速区域卷积神经网络（Faster R-CNN）框架的人工智能（AI）系统，该系统可以从大型商业果园的倾斜空中无人机图像中检测和计数苹果。为了降低计算成本，网络的一个新的附加阶段被设计用于将原始图像预处理成单个树木的裁剪图像。使用透视投影模型将唯一的地理空间标识符分配给它们。这采用了实时动态（RTK）数据，数字地形和表面模型（DTM和DSM），以及内部和外部相机参数。然而，大部分实验都集中在调整检测网络本身的超参数上。树上的苹果和地上的苹果被视为不同的类。一个平均精度（mAP）的度量，校准的大小的两个类，旨在减轻虚假的结果。由于苹果的规模，锚箱设计是关键的兴趣。因此，在Faster R-CNN的文献中从未见过的k-means聚类方法导致了校准mAP的最显着改进。其他实验表明，框建议的最大数量应该是225; 0.001的初始学习率最适合应用于自适应RMS Prop优化器;当考虑mAP和推理时间时，ResNet 101是理想的基本特征提取器。最佳超参数的合并导致模型的校准mAP为0.7627。

2021-01-01cs.CVcs.LGeess.IV

使用深度学习和人工智能是在不伤害水生野生动物的情况下定位海洋中碎片的适当手段吗？

Is the use of Deep Learning and Artificial Intelligence an appropriate means to locate debris in the ocean without harming aquatic wildlife?

University of Northumbria（诺森比亚大学）

随着全球塑料垃圾问题的不断扩大，是时候让科技行业介入了。这项研究旨在评估深度学习是否可以成功区分海洋生物和水下人造碎片。目的是发现我们是否能够安全地用人工智能清理海洋，而不破坏水生生态系统的微妙平衡。该研究从保护生态系统的角度探索了卷积神经网络的使用，而不是主要收集垃圾。我们通过构建一个定制的深度学习模型来做到这一点，原始数据库包括1,644张水下图像，并使用二进制分类来对水生生物的合成材料进行分类。我们的结论是，虽然有可能安全地区分碎片和生命，但进一步探索更大的数据库和更强的CNN结构有可能获得更有希望的结果。

2021-12-01cs.CVcs.LGeess.IV

使用生成对抗网络和人工智能对抗医学图像的COVID-19：范围审查

Combating COVID-19 using Generative Adversarial Networks and Artificial Intelligence for Medical Images: A Scoping Review

Hamad Bin Khalifa University（哈马德·本·哈利法大学）

本综述全面研究了GANs在应对COVID-19数据稀缺和诊断相关挑战方面的作用。这是第一篇综述，总结了不同的GANs方法和肺部图像数据集的COVID-19。它试图回答与GANs的应用、流行的GAN架构、常用的图像模态以及源代码的可用性相关的问题。该综述包括57项全文研究，这些研究报告了GANs在COVID-19肺部图像数据中的不同应用。大多数研究（n=42）使用GANs进行数据增强，以增强AI技术用于COVID-19诊断的性能。GANs的其他流行应用是肺部分割和肺部图像的超分辨率。循环GAN和条件GAN是9项研究中最常用的架构。29项研究使用胸部X射线图像，21项研究使用CT图像进行GANs训练。对于大多数研究（n=47），使用公开可用的数据进行实验并报告结果。仅2项研究报告了放射科医生/临床医生对结果的二次评价。结论：研究表明，GANs在解决COVID-19肺部图像数据稀缺挑战方面具有巨大潜力。用GANs合成的数据有助于改进为诊断COVID-19而训练的卷积神经网络（CNN）模型的训练。此外，GANs还通过图像的超分辨率和分割来提高CNN的性能。该综述还确定了基于GANs的方法在临床应用中潜在转变的关键限制。

2022-05-15cs.CVcs.LGeess.IV

基于深度学习的CNN肺炎检测：推动社会5.0的数字健康

Deep Learning CNN for Pneumonia Detection: Advancing Digital Health in Society 5.0

Nusa Putra University（努沙普特拉大学）

本研究提出一种基于深度学习的CNN模型，用于通过胸部X光图像自动检测肺炎，实现快速、一致且可靠的诊断辅助，推动社会5.0的数字健康发展。

2026-02-04cs.CVeess.IV

更多相关论文收起更多论文

T1-weighted磁共振成像对青少年脑流体智力预测的性别差异

Sex differences in predicting fluid intelligence of adolescent brain from T1-weighted MRIs

流体智能（Fluid Intelligence，Gf）被定义为推理和解决以前看不见的问题的能力。在磁共振成像（MRI）序列（如功能性MRI和扩散张量成像）中发现了与Gf的联系。作为2019年青少年大脑认知发育神经认知预测挑战赛的一部分，我们试图通过T1加权（T1 W）MRI预测9-10岁儿童的Gf。数据包括用于培训和内部验证的3739名受试者和用于外部验证的415名受试者的图谱对齐体积T1 W图像、图谱定义的分割区域、年龄和性别。我们训练了性别特异性卷积神经网络（CNN）和随机森林模型来预测Gf。对于卷积模型，使用与SRI 24脑图谱对齐的颅骨剥离体积T1 W图像进行训练。分割的图谱区域与每个受试者的年龄一起被用来训练随机森林回归模型。使用预测的均方误差（MSE）来测量性能。随机森林模型的MSE比CNN低。此外，外部验证数据显示女性的MSE优于男性（60.68 vs. 80.74），合并MSE为70.83。我们的研究结果表明，单独从体积T1 W MRI功能的Gf预测模型可能会更好地执行时，分别训练男性和女性的数据。然而，我们的模型的性能表明，除了可用的数据之外，还需要更多的信息来准确预测Gf。

2019-08-06eess.IVq-bio.NC

光学卷积神经网络--结合硅光子学和傅立叶光学用于计算机视觉

Optical Convolutional Neural Networks -- Combining Silicon Photonics and Fourier Optics for Computer Vision

卷积神经网络（CNN）是一种最先进的架构，适用于各种深度学习问题，其中最典型的例子是计算机视觉。CNN主要采用卷积运算，可以使用傅里叶变换来加速。在本文中，我们提出了一个光学硬件加速器，结合硅光子学和自由空间光学，利用几个CNN架构内的光学傅里叶变换的使用。提出的硬件是一个概念证明，表明该技术可以应用于人工智能问题，相对于规范方法有很大的效率提升。

2020-12-19eess.IV

基于二维和三维CNN融合的COVID-19三维CT扫描严重度预测方法

2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans

University Paris-Est Creteil（巴黎东克雷泰伊大学）；University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））

自2019年底COVID-19出现以来，COVID-19已成为人工智能（AI）社区的一个活跃研究课题。最有趣的人工智能主题之一是新冠肺炎医学成像分析。CT扫描成像是关于这种疾病的最有用的工具。这项工作是第三届COV 19 D竞赛的一部分，用于COVID-19严重程度预测。为了解决验证和测试结果之间的巨大差距，我们建议将2D和3D CNN预测相结合。对于2D CNN方法，我们提出了2B-InceptResnet架构，该架构由两条路径组成，分别用于分割肺部和感染输入CT扫描的所有切片。每个路径由ImageNet上的ConvLayer和Inception-ResNet预训练模型组成。对于3D CNN方法，我们提出了混合DeCoVNet架构，该架构由四个模块组成：Stem，四个3D-ResNet层，分类头和决策层。在第三届COV 19 D竞赛的验证数据中，我们提出的方法在Covid-19严重程度预测方面优于基线方法36%。

2023-03-15cs.CVeess.IV

物联网医疗行业中通过多种CNN架构进行脑肿瘤检测：Fast R-CNN、U-Net、基于迁移学习的CNN和全连接CNN

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。

2025-09-06cs.CVeess.IV

Encourage CNN模型用于3D CT扫描的Covid-19识别和严重度判定

Ensemble CNN models for Covid-19 Recognition and Severity Perdition From 3D CT-scan

University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））

自2019年底COVID-19出现以来，COVID-19已成为人工智能（AI）社区的一个活跃研究课题。最有趣的人工智能主题之一是新冠肺炎医学成像分析。CT扫描成像是关于这种疾病的最有用的工具。这项工作是第二届COV 19 D竞赛的一部分，其中设置了两个挑战：从CT扫描中检测COVID-19和COVID-19严重程度检测。为了从CT扫描中检测Covid-19，我们提出了一种具有Densenet-161模型的2D卷积块的集成。在这里，每个具有Densenet-161架构的2D卷积块都是单独训练的，在测试阶段，集成模型基于它们的概率平均值。另一方面，我们提出了卷积层与初始模型的集成，用于Covid-19严重程度检测。除了卷积层之外，还使用了三个Inception变体，即Inception-v3，Inception-v4和Inception-Resnet。在第二届COV 19 D竞赛的验证数据中，我们提出的方法在Covid-19检测和Covid-19严重程度检测方面分别优于基线方法11%和16%。

2022-06-29cs.CVcs.LGeess.IV

应用于土地覆盖分类的SAR与多光谱Sentinel数据融合范式选择

Paradigm selection for Data Fusion of SAR and Multispectral Sentinel data applied to Land-Cover Classification

University of Sannio（萨尼奥大学）；European Space Agency（欧洲空间局）

本文针对SAR与多光谱Sentinel数据的土地覆盖分类，比较四种基于CNN的数据融合范式，提出可迁移的系统化框架选择流程。

2021-06-18cs.AIcs.CVcs.LG

基于Faster R-CNN深度学习的车辆智能交通管理

Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method

Great Lakes Institute of Management（大湖管理学院）

针对智能交通管理中车辆分割难题，提出基于Faster R-CNN的深度学习框架，结合自适应背景模型与扩展拓扑活动网优化，有效提升分割精度并解决遮挡、光照等问题。

2023-11-03cs.AIcs.CVeess.IV

迁移学习用于糖尿病视网膜病变的自动OCTA检测

Transfer Learning for Automated OCTA Detection of Diabetic Retinopathy

目的：测试使用深度学习进行光学相干断层扫描血管造影（OCTA）检测糖尿病视网膜病变（DR）的可行性。方法：本研究采用深度学习卷积神经网络（CNN）架构VGG 16。实现了迁移学习过程以重新训练CNN用于鲁棒的OCTA分类。为了证明在临床环境中使用该方法进行DR的人工智能（AI）筛查的可行性，将重新训练的CNN并入定制开发的GUI平台中，该GUI平台可以由眼科人员容易地操作。结果：通过最后九层的重新训练，CNN架构实现了自动OCTA分类的最佳性能。重新训练的分类器区分健康、NoDR和NPDR的总体准确率为87.27%，灵敏度为83.76%，特异性为90.82%。健康、NoDR和DR的二元分类的AUC度量分别为0.97、0.98和0.97。GUI平台能够在临床环境中轻松验证DR的AI筛查方法。结论：通过采用早期层进行简单特征分析并重新训练上层进行精细特征分析的转移学习过程，CNN架构VGG 16可用于健康、NoDR和NPDR眼睛的稳健OCTA分类。翻译相关性：OCTA可以捕获早期DR中的微血管变化。迁移学习过程使得卷积神经网络（CNN）能够稳健地实现DR的自动OCTA分类。

2019-10-04eess.IVq-bio.QM