IbnSinaNet: a Hybrid CSPDenseNet and Squeeze Attention under the Supervision of Group CNNs for Automatic Segmentation of MS Lesions in MRI
کد
IbnSinaNet یک چارچوب یادگیری عمیق برای بخشبندی خودکار ضایعات مولتیپل اسکلروزیس (MS) در تصاویر MRI است. این مدل بر پایه معماری بهبودیافته U-Net و با بهرهگیری از DenseNet، کانولوشنهای گروهی (Group Convolutions) و مکانیزم Squeeze Attention طراحی شده است که ضمن بهبود استخراج ویژگیها، هزینه محاسباتی را نیز کاهش میدهد. ارزیابی این روش بر روی مجموعهداده ISBI 2015 نشان داد که IbnSinaNet با کسب ضریب دایس 86.93٪، عملکردی بهتر از روشهای پیشین ارائه کرده و پتانسیل بالایی برای استفاده در سیستمهای پشتیبان تصمیمگیری بالینی دارد.
EEG-based schizophrenia detection using handcrafted biomarkers and a TOA-optimized hybrid multi-branch CNN–Transformer framework
مقاله
این مطالعه یک چارچوب ترکیبی مبتنی بر EEG برای تشخیص اسکیزوفرنی با ادغام یادگیری عمیق، نشانگرهای زیستی استخراجشده دستی از EEG و بهینهسازی TOA–FSH ارائه میدهد. مدل پیشنهادی شبکههای عصبی پیچشی (CNN)، ترانسفورمر Swin و ادغام تصمیمگیری سطح-سوژه کالیبرهشده را یکپارچه میکند و به دقت متعادل ۹۷.۶٪ در سطح پنجره و ۱۰۰٪ در سطح سوژه دست مییابد، در حالی که تعمیمپذیری قوی متقابل را در پایگاهدادههای عمومی و مستقل EEG نشان میدهد.
KhayyamNet: A Parallel Multiscale Feature Fusion Framework for Accurate Diagnosis of Multiple Sclerosis and Myelitis
مقاله
کد
شبکه KhayyamNet یک چارچوب ترکیبی یادگیری عمیق برای تشخیص خودکار اماس (MS) و میلیت از MRI نخاعی است. این روش ویژگیهای Xception، CNN و Vision Transformer را یکپارچه میکند که با استفاده از الگوریتم MRMR بهینهسازی شده و توسط Random Forest طبقهبندی میشوند. چارچوب پیشنهادی به میانگین دقت ۹۸.۱۵ ± ۰.۸۰٪ دست یافت که عملکرد قوی و قابل اعتمادی را برای تمایز اماس، میلیت و موارد سالم نشان میدهد.
ZechariahNet: A Novel Method of MS Lesion Diagnosis Through MRI Images by the Combination of C-LSTM and 3D CNN Algorithms
مقاله
شبکه ZechariahNet یک چارچوب نوین مبتنی بر 3D U-Net برای بخشبندی خودکار ضایعات اماس (MS) از MRI مغز است. با ترکیب بلوکهای متراکم (dense blocks)، توجه-فشردگی (squeeze-attention)، ماژولهای انتقال رو به پایین (transition down) و ConvLSTM، این مدل بهطور موثری اطلاعات فضایی و متنی را از برشهای متوالی MRI ثبت میکند. مدل پیشنهادی به ضریب تشابه تاس (DSC) ۸۴.۷۲٪ دست یافت که از روشهای پیشرفته فعلی بهتر عمل میکند.
