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

A Feature-Augmented Explainable Artificial Intelligence Model for Diagnosing Alzheimer's Disease from Multimodal Clinical and Neuroimaging Data.

Diagnostics (Basel, Switzerland)·2025
Same author

Online Teaching Practicum in Malaysia in the Time of COVID-19 Pandemic.

Frontiers in psychology·2022
查看所有相关文章

相关实验视频

Updated: May 22, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.6K

基于深度卷积神经网络的大脑瘤分类的学习架构:经典和ResNet50

Rabei Raad Ali1, Noorayisahbe Mohd Yaacob2, Marwan Harb Alqaryouti3

  • 1Technical Engineering College for Computer and AI, Northern Technical University, Mosul 41000, Iraq.

Diagnostics (Basel, Switzerland)
|March 13, 2025
PubMed
概括

卷积神经网络 (CNN) 在MRI扫描中准确地分类大脑瘤. ResNet50架构实现了99.88%的准确性,大大帮助了诊断和治疗规划.

关键词:
卷积神经网络是一种卷积神经网络.这就是ResNet-50的特点.深度学习是一种深度学习.图像的分类图像的分类.磁共振成像技术的使用

更多相关视频

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

8.9K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

449

相关实验视频

Last Updated: May 22, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.6K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

8.9K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

449

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 在瘤学瘤学.

背景情况:

  • 从医学图像中准确地分类脑瘤对于患者的生存至关重要.
  • 卷积神经网络 (CNN) 被研究以提高诊断准确性.
  • 磁共振成像 (MRI) 数据集用于此分类任务.

研究的目的:

  • 评估CNN的有效性,特别是经典层和ResNet50架构,用于脑瘤分类.
  • 为了比较不同CNN模型在脑瘤MRI数据集上的性能.
  • 为了证明先进的CNN架构在提高诊断准确度方面的潜力.

主要方法:

  • 预处理了一组脑瘤MRI扫描 (200 × 200 × 1分辨率) 的数据集.
  • 瘤被分为质瘤,脑膜瘤和垂体瘤类型.
  • 经典层和ResNet50 CNN架构的训练和测试使用了80:20的分割.

主要成果:

  • 两种CNN架构都在分类脑瘤方面表现出高准确度.
  • 经典层架构实现了94.55%的准确性.
  • ResNet50架构实现了99.88%的卓越准确性,超过了之前的研究.

结论:

  • CNNs,特别是ResNet50架构,对于使用MRI数据进行脑瘤分类非常有效.
  • 这些发现凸显了CNN在帮助医疗专业人员准确诊断和治疗规划方面的潜力.
  • 未来的研究应该探索转移学习以提高绩效,特别是在有限的注释数据.