Search research articles

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

Single-cell transcriptomics reveals MAFB-driven macrophage reprogramming and immune divergence in recurrent glioblastoma.

BMC cancer·2026

Same author

Frequency-Aware Causal Regularization for Multiple Instance Learning in Whole Slide Image Classification.

IEEE transactions on medical imaging·2026

Same author

The impact of antibiotic exposure on obesity and metabolic phenotypes via the gut microbiota.

Frontiers in microbiology·2026

Same author

Mechanism of halide ions in regulating product selectivity in electrocatalytic CO<sub>2</sub> reduction.

Chemical communications (Cambridge, England)·2026

Same author

An immunosensor based on Cu doping enhanced Gd MOF electrochemiluminescence was used to detect CA19-9.

Talanta·2026

Same author

Integrating perceptual cues with mixture-of-experts for low-light image restoration.

Neural networks : the official journal of the International Neural Network Society·2026

Same journal

Real-time EEG-based epileptic seizure prediction using artificial intelligence: A systematic review.

Artificial intelligence in medicine·2026

Same journal

R-peak detection and ECG data compression scheme based on empirical mode decomposition and wavelet transform.

Artificial intelligence in medicine·2026

Same journal

CastNet: A three-channel EEG-based deep learning model for cross-subject depression detection.

Artificial intelligence in medicine·2026

Same journal

State-of-the-art TinyML approaches for colorectal cancer detection: Current advances, challenges, and future directions.

Artificial intelligence in medicine·2026

Same journal

JRadiEvo: A Japanese radiology report generation model enhanced by evolutionary optimization of model merging.

Artificial intelligence in medicine·2026

Same journal

Causally-informed deep learning towards explainable and generalizable outcome prediction in critical care.

Artificial intelligence in medicine·2026

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

Search research articles

Video Experimental Relacionado

Updated: Sep 10, 2025

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Published on: April 7, 2023

Agregación múltiple que combina una red compuesta de reponderación de muestras para la segmentación de imágenes

Dawei Fan¹, Zhuo Chen¹, Yifan Gao¹

¹College of Computer and Information Science, Fujian Agriculture and Forestry University, Fuzhou, 350002, China.

Artificial intelligence in medicine

|August 26, 2025

Resumen

Este resumen es generado por máquina.

CDNet, una red novedosa para la segmentación de núcleos en patología digital, aborda desafíos como límites borrosos y cambios de dominio. Este método mejora significativamente la precisión de la segmentación y la generalización en los conjuntos de datos.

Palabras clave:

Inferencia causal Patología digital Fusión de características Segmentación de núcleos Correlación espuria

Más Videos Relacionados

DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma

DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma

Published on: June 6, 2025

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Published on: April 8, 2016

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Multiplexed Barcoding Image Analysis for Immunoprofiling and Spatial Mapping Characterization in the Single-Cell Analysis of Paraffin Tissue Samples

Published on: April 7, 2023

DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma

DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma

Published on: June 6, 2025

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Published on: April 8, 2016

Área de la Ciencia:

Patología digital
Análisis de imágenes médicas
Visión por computadora

Sus antecedentes:

La segmentación de núcleos es crucial para el análisis de imágenes patológicas, impactando el diagnóstico y la investigación.
Los métodos existentes se enfrentan a desafíos que incluyen límites borrosos, cambios de dominio y distribución desigual de núcleos.
Estos obstáculos impiden una segmentación de imágenes patológicas precisa y fiable.

Objetivo del estudio:

Proponer una red innovadora, CDNet, para una segmentación robusta de núcleos en patología digital.
Abordar las limitaciones de las técnicas de segmentación actuales, mejorando la precisión y la generalización.
Mejorar el análisis de imágenes patológicas para obtener mejores resultados de diagnóstico e investigación.

Principales métodos:

Se introdujo CDNet, que incorpora la Convolución de agregación diversificada (DAC) para la claridad de los límites.
Integrado un módulo de inferencia causal (CIM) para mejorar la generalización entre dominios.
Desarrolló una función de pérdida combinada ponderada estable que aborda la distribución desigual de los núcleos.

Principales resultados:

CDNet demostró un rendimiento superior en los conjuntos de datos de MoNuSeg, GLySAC y MoNuSAC.
Logró mejoras significativas en la intersección media en la Unión (mIoU) y en el coeficiente de similitud de dados (DSC).
Mostró fuertes capacidades de generalización en diversos conjuntos de datos de imágenes patológicas.

Conclusiones:

CDNet supera efectivamente los desafíos clave en la segmentación de núcleos para la patología digital.
La función DAC, CIM y pérdida propuesta contribuye a mejorar la precisión y la robustez de la segmentación.
CDNet ofrece un avance prometedor para el análisis de imágenes patológicas y aplicaciones clínicas.