Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

IoT-Integrated robotic system for automated plant disease detection and environmental monitoring.

Scientific reports·2026
查看所有相关文章

相关实验视频

Updated: Jul 25, 2025

Role of Diffusion MRI Tractography in Endoscopic Endonasal Skull Base Surgery
09:53

Role of Diffusion MRI Tractography in Endoscopic Endonasal Skull Base Surgery

Published on: July 5, 2021

3.7K

双深CNN用于瘤大脑分类

Aya M Al-Zoghby1, Esraa Mohamed K Al-Awadly1, Ahmad Moawad1

  • 1Faculty of Computers and Artificial Intelligence, Damietta University, Damietta 34517, Egypt.

Diagnostics (Basel, Switzerland)
|June 28, 2023
PubMed
概括

这项研究引入了一种人工智能模型,用于使用MRI扫描进行准确的脑瘤分类. 深度学习方法在识别脑膜瘤,质瘤和脑垂体瘤方面达到99%的准确性,改善了早期诊断.

关键词:
这就是为什么RMI是RMI.大脑瘤 大脑瘤深度学习是一种深度学习.美国有双 CNN,双 CNN.无线电学 (radiomics) 是一种无线电学.转移学习转移学习

更多相关视频

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
09:53

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography

Published on: August 16, 2020

7.3K
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.7K

相关实验视频

Last Updated: Jul 25, 2025

Role of Diffusion MRI Tractography in Endoscopic Endonasal Skull Base Surgery
09:53

Role of Diffusion MRI Tractography in Endoscopic Endonasal Skull Base Surgery

Published on: July 5, 2021

3.7K
Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
09:53

Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography

Published on: August 16, 2020

7.3K
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

42.7K

科学领域:

  • 医学成像分析 医学成像分析
  • 在瘤学中使用人工智能
  • 计算神经科学是一种神经科学.

背景情况:

  • 早期发现和准确分类脑瘤对于有效的患者治疗和生存至关重要.
  • 手动诊断脑瘤是耗时的,并且难以跟上不断增加的医疗数据量.
  • 人工智能 (AI),特别是深度学习 (DL),为医疗图像的自动化和高效分析提供了有前途的解决方案.

研究的目的:

  • 开发和评估一种人工智能模型,用于准确分类三种常见的大脑瘤类型:脑膜瘤,质瘤和垂体瘤.
  • 从磁共振成像 (MRI) 数据中利用深度学习技术进行自动瘤识别.
  • 改进现有的脑瘤检测和分类方法,以提高准确性和效率.

主要方法:

  • 该研究提出了一个新的深度卷积转移网络 (DCTN) 模型.
  • 该DCTN模型将双卷积神经网络 (CNN) 与VGG-16架构和自定义CNN架构集成在一起.
  • 广泛的实验涉及大约22个不同的模型架构和配置.

主要成果:

  • 在培训阶段,DCTN模型实现了100%的准确性.
  • 该模型在分类脑瘤类型方面表现出高达99%的高测试准确性.
  • 拟议的方法在脑瘤分类准确性方面显著超过了现有的研究研究.

结论:

  • 开发的AI模型在使用MRI扫描对脑膜瘤,质瘤和脑垂体瘤进行分类方面表现出色.
  • 该DCTN模型代表了自动脑瘤诊断的重大进步,提供了高精度和效率.
  • 这种人工智能解决方案有可能通过实现更快,更准确的疾病分类和改善患者结果来彻底改变医疗保健.