Search research articles

Search research articles

Video Experimental Relacionado

Updated: Sep 8, 2025

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

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

Published on: November 30, 2022

Segmentación de imágenes médicas mediante enseñanza mutua de doble decodificador con un marco de enseñanza medio

Juan Zhang^1,2, Gaoqiang Jiang^1,2, Zhongwen Li³

¹National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, China.

Pattern recognition

|August 20, 2025

Resumen

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Laser-Based Micro/Nano Additive Manufacturing of Conductive Structures on Transparent Substrates: Technical Approaches, Challenges, and Future Prospects.

Langmuir : the ACS journal of surfaces and colloids·2025

Same author

A deep semi-supervised learning approach to the detection of glaucoma on out-of-distribution retinal fundus image datasets.

BMC ophthalmology·2025

Same author

Adaptive boundary-enhanced Dice loss for image segmentation.

Biomedical signal processing and control·2025

Same author

Parameter Optimization for Laser Peen Forming on 6005A-T6 Aluminum Alloy Plates to Enhance the Constrained Deformation of Integral Stiffened Plates.

Materials (Basel, Switzerland)·2024

Same author

UGLS: an uncertainty guided deep learning strategy for accurate image segmentation.

Frontiers in physiology·2024

Same author

In Situ Synthesis of (M:Nb,Ta)C/Ni35 Composite Coating Cladded on 40Cr Steel.

Materials (Basel, Switzerland)·2021

Same journal

Spatial Coherence Loss: All Objects Matter in Salient and Camouflaged Object Detection.

Pattern recognition·2026

Same journal

LDM-Morph: Latent diffusion model guided deformable image registration.

Pattern recognition·2026

Same journal

Variable Priority for Unsupervised Variable Selection.

Pattern recognition·2026

Same journal

A Deep Spatio-Temporal Architecture for Dynamic ECN Analysis with Granger Causality based Causal Discovery.

Pattern recognition·2025

Same journal

Multi-graph Graph matching for coronary artery semantic labeling in invasive coronary angiograms.

Pattern recognition·2025

Same journal

A graph transformer-based foundation model for brain functional connectivity network.

Pattern recognition·2025

Ver todos los artículos relacionados

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Este resumen es generado por máquina.

Este estudio introduce la enseñanza mutua por decodificación dual (DDMT), un nuevo método de aprendizaje semisupervisado para la segmentación de imágenes médicas. DDMT reduce significativamente el esfuerzo de anotación mediante el uso efectivo de datos etiquetados limitados y abundantes datos sin etiquetar.

Área de la Ciencia:

Análisis de imágenes médicas
Aprendizaje profundo
Visión por ordenador

Sus antecedentes:

La segmentación precisa de imágenes médicas es crucial para las aplicaciones clínicas.
La anotación manual a nivel de píxeles de las imágenes médicas requiere mucho tiempo y trabajo.
Los modelos de aprendizaje profundo requieren grandes conjuntos de datos anotados para un rendimiento óptimo.

Objetivo del estudio:

Desarrollar un nuevo método de segmentación semi-supervisado para reducir el esfuerzo de anotación manual.
Mejorar la estabilidad y la consistencia de los modelos de aprendizaje profundo en las tareas de segmentación.
Para lograr un rendimiento de segmentación prometedor con imágenes etiquetadas limitadas y abundantes no etiquetadas.

Principales métodos:

Palabras clave:

Promedio móvil exponencial Segmentación de imágenes El maestro malo.Enseñanza mutua Aprendizaje semisupervisado

Más Videos Relacionados

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

Videos de Experimentos Relacionados

Last Updated: Sep 8, 2025

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

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

Published on: November 30, 2022

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

Se introdujo la enseñanza mutua por decodificación dual (DDMT), un método de segmentación semisupervisado.

Se ha incorporado una media móvil exponencial suavizada (sEMA) para mejorar la estabilidad del modelo.

Restricción de consistencia de forma integrada (SCC) para el aprendizaje de forma consistente en todos los decodificadores.

Principales resultados:

DDMT demostró un rendimiento de segmentación prometedor con datos etiquetados limitados.
El método consistentemente superó a los métodos de aprendizaje semisupervisado de última generación.
Los experimentos en la aurícula izquierda, el páncreas y los conjuntos de datos del disco óptico validaron la eficacia de la DDMT.

Conclusiones:

DDMT ofrece una solución eficaz para reducir la anotación manual en la segmentación de imágenes médicas.
El método propuesto mejora la estabilidad del modelo y la consistencia de la forma.
La DDMT muestra un potencial significativo para aplicaciones clínicas que requieren una segmentación de imágenes precisa.