Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 8, 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

2.9K

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

Juan Zhang1,2, Gaoqiang Jiang1,2, Zhongwen Li3

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

Pattern recognition
|August 20, 2025
PubMed
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
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 exponencialSegmentación de imágenesEl maestro malo.Enseñanza mutuaAprendizaje semisupervisado

Más Videos Relacionados

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K

Videos de Experimentos Relacionados

Last Updated: Sep 8, 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

2.9K
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
10:25

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

9.3K
  • 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.